基于先验知识与路径优化的大脑中线分割方法

Abstract

To address the challenges faced by current brain midline segmentation techniques, such as insufficient accuracy and poor segmentation continuity, this paper proposes a deep learning network model based on a two-stage framework. On the first stage of the model, prior knowledge of the feature consistency of adjacent brain midline slices under normal and pathological conditions is utilized. Associated midline slices are selected through slice similarity analysis, and a novel feature weighting strategy is adopted to collaboratively fuse the overall change characteristics and spatial information of these associated slices, thereby enhancing the feature representation of the brain midline in the intracranial region. On the second stage, the optimal path search strategy for the brain midline is employed based on the network output probability map, which effectively addresses the problem of discontinuous midline segmentation. The method proposed in this paper achieved satisfactory results on the CQ500 dataset provided by the Center for Advanced Research in Imaging, Neurosciences and Genomics, New Delhi, India. The Dice similarity coefficient (DSC), Hausdorff distance (HD), average symmetric surface distance (ASSD), and normalized surface Dice (NSD) were 67.38 ± 10.49, 24.22 ± 24.84, 1.33 ± 1.83, and 0.82 ± 0.09, respectively. The experimental results demonstrate that the proposed method can fully utilize the prior knowledge of medical images to effectively achieve accurate segmentation of the brain midline, providing valuable assistance for subsequent identification of the brain midline by clinicians.

0. 引言

颅内出血（intracerebral hemorrhage，ICH）是一种由颅内血管破裂引发的急性脑血管疾病，其典型临床表现包括：剧烈头痛、恶心和癫痫发作等症状^[1]。在临床评估中，中线移位程度是判断ICH严重程度的关键影像学指标，该指标是指导临床治疗方案选择的重要依据。对于中线移位明显的ICH患者，需进行急诊手术以清除出血^[2]。在手术过程中，外科医生应在术前计算机断层扫描（computed tomography，CT）影像的引导下，避免破坏大脑半球间的中线边界^[3]。因此，在CT扫描中准确识别大脑中线对ICH患者的诊疗决策具有重要意义。然而，ICH的占位效应可能导致中线移位，并破坏中线周围的解剖对称性；尤其是当出血破入脑室时，大脑中线的部分可能被大出血区域覆盖，这无疑增加了外科医生识别中线边界的难度。因此，迫切需要开发一种有效的方法来自动分割ICH患者的大脑中线，以辅助临床医生做出恰当决策。

在医学图像分割领域，目前确定中线的传统方法主要依赖于人脑解剖信息中预定义点或特定区域的定位。比如，Liao等^[4]通过优化贝塞尔曲线的控制点，提出了基于生物力学的变形中线模型，取得了满意的临床结果。Liu等^[5]通过自动检测解剖标记来量化脑部CT图像的中线偏移，表现优于以往方法。Chen等^[6]利用多区域形状匹配方法自动估计中线位置，显示出良好的鲁棒性。Qi^[7]开发了自动化中线偏移估计系统，通过多种方法评估创伤性脑损伤的严重程度。这些方法尽管有效，但在临床应用中存在以下局限：① 在脑出血穿破脑室的重症病例中，预先定义的解剖点可能因解剖结构破坏而难以辨认；② 中线分割结果存在局部不连续现象，影响诊断精度。这些限制因素降低了诊断结果的量化精度，从而间接影响了临床治疗方案的制定及预后评估的准确性。

近年来，随着科学技术的不断进步，深度学习在医学图像分割领域已得到广泛应用^[8-11]，并在很大程度上克服了传统方法的局限性，实现了更高的精准度以及更强的鲁棒性。例如，Wu等^[12]提出了一种三维（three dimensional，3D）半球分割框架，该框架旨在对ICH患者的CT图像进行大脑中线的精确分割，其效果优于传统的二维（two dimensional，2D）方法。Wang等^[13]采用了一种三阶段的框架，实现了脑卒中或创伤性脑损伤患者大脑中线的自动分割，从而提高了临床评估和决策的效率。尽管深度学习在医学图像分割领域已经取得了显著的成果，但大部分的研究仍然主要关注于网络架构的优化，往往忽视了医学图像中蕴含的先验知识。在进行大脑中线分割任务时，大脑中线特征的一致性构成了关键的先验知识。大脑中线在正常和病理情况下的影像学特征如图1所示，红色线段代表真实标签图，图1中每一行表示不同示例的切片。正常情况下的大脑中线通常位于中央位置，并且在相邻切片间的特征表现出明显的一致性。即使在病理情况下，例如发生ICH时，虽然中线可能会出现移位，但是相邻切片间的特征变化依然保持相对一致。

图 1.

Imaging characteristics of the brain midline in normal and pathological conditions

大脑中线在正常和病理情况下的影像学特征

针对当前阶段大脑中线分割技术所面临的挑战，本文提出了一种大脑中线协同增强（brain midline synergistic enhancement，BMSE）网络（BMSE-Net）。该网络架构主要由两个核心组成部分构建。首先，BMSE-Net引入BMSE先验模块，旨在通过增强大脑中线特征来提高训练效果。具体来说，BMSE模块通过切片相似度分析筛选出大脑中线相关联切片，并采用了源自图卷积网络概念的特征加权策略，协同融合所选切片的整体变化特征与空间信息，以强化大脑中线特征。其次，为了解决分割过程可能导致的中线不连续问题，BMSE-Net引入了大脑中线最优路径搜索策略。该策略在分割结果生成的概率图上，通过目标函数对最优概率点的路径进行搜索，从而实现中线的连续分割。综上所述，本文通过充分利用大脑中线的先验信息，为大脑中线分割研究领域带来了创新的视角以及有效的可实际操作的方法。

1. 方法

在自动医学图像分割领域，基于U型网络（U-Net）^[14]的医学图像分割自适应框架——无新网络（no-new-Net，nnU-Net）^[15]，凭借其出色的性能表现以及强大的自适应性，在众多任务中得到了广泛应用^[16-18]。本文所提出的BMSE-Net，是基于nnU-Net的3D U-Net（3D-UNet）架构^[19]进行设计和开发的，其主要架构如图2所示。BMSE-Net首先利用BMSE先验模块对大脑中线进行初始分割，随后对所得分割概率图进行后续处理。该过程主要采用大脑中线最优路径搜索策略，即通过在概率图上针对每一行选取满足特定目标函数约束条件的最优概率点，以此来确定一条最优路径，进而实现大脑中线的分割。如图2所示，黄色点表示高概率像素点，绿色点表示低概率像素点，而矩形框内标注的低概率像素点则受到特定的目标函数约束。红色点标记的最优路径被确定为最终的大脑中线。这两个关键部分将在2.1节和2.2节中分别进行详细介绍。

图 2.

Main architecture of BMSE-Net

BMSE-Net的主要架构

1.1. BMSE先验模块

基于前文所述，大脑中线在相邻切片间展现出较高的特征一致性，这一发现为实现精准分割提供了至关重要的先验信息。为了能够有效且充分地利用这些信息，本文设计并提出了BMSE先验模块，如图3所示。

图 3.

BMSE prior module

BMSE先验模块

该模块首先采用基于切片相似度的大脑中线相关联切片生成方法，筛选出与大脑中线相关联的切片，然后将这些切片作为节点特征，进一步在执行协同融合大脑中线相关联切片整体变化特征和空间信息的操作中进行特征增强。图3中，红色和绿色节点分别表示待增强的特征节点和其相关联节点。红色节点会根据边的权重融合绿色节点的特征，最后输出增强后的大脑中线相关联切片的整体特征。BMSE模块（以符号α表示）的具体操作过程如式(1)所示：

1

其中，X为输入训练数据；F（∙）为特征调整映射函数，用于调整输入的3D医学图像特征，调整后的图像特征表示为F_node；C（∙）是基于切片相似度的大脑中线相关联切片生成方法；ϕ是动态相似度阈值（后文详解）；G（∙）表示协同融合大脑中线相关联切片整体变化特征和空间信息的操作；α则表示经数据增强处理后所能得到的大脑中线特征数据。

总体而言，BMSE包括两个主要部分：① 基于切片相似度的大脑中线相关联切片生成方法；② 协同融合大脑中线相关联切片整体变化特征和空间信息的操作；下文将详细介绍这两个部分。

式(1)中，C（∙）是基于切片相似度的大脑中线相关联切片生成方法，其核心思想是利用大脑中线在相邻切片之间特征一致性的先验知识，筛选出与大脑中线相关联的切片；其计算如式(2)所示：

2

其中，m和n是医学数据集中的2D切片特征F_node；C用于确定特征m和n之间的相似度；S_mn表示特征m和n之间的相似度是否大于动态相似度阈值ϕ；m ≠ n确保不会创建循环。

为了计算相似度S_mn，本文采用改进的戴斯相似性系数（Dice similarity coefficient，DSC）进行计算，在分子和分母中加入了一个平滑项1 × 10⁻⁵，以避免除零，从而确保计算稳定性。

鉴于单一的相似度阈值无法充分应对不同数据集的多样性和复杂性，本文提出了一种基于相似度上升趋势的动态相似度阈值计算方法，以更精确地衡量相邻切片间的相似度。在计算动态相似度阈值ϕ的过程中，本文首先对相邻切片之间的DSC变化进行了计算，具体公式如式(3)所示：

3

其中，ΔS_mn表示相邻切片之间的DSC变化数值。然后，计算动态相似度阈值ϕ，如式(4)所示：

4

其中，N是上升趋势出现的次数；M是所有相邻切片对的总数；S_k是第k个相邻切片对的DSC值。

本文借鉴图卷积网络的理论框架，设计了协同融合大脑中线相关联切片整体变化特征和空间信息的操作。本文采用了一种创新性的特征加权策略，将与大脑中线相关联的切片作为输入，进而实现了对所选切片之间特征的有效融合。该操作过程如式(5)所示：

5

其中，i和j是与大脑中线相关联的切片特征索引；G[j]表示索引j处特征的更新值；X_c是X的副本，用于保留原始特征；R(j)表示与索引j处特征相邻的特征集合；O（∙）表示背景抑制操作，其通过设定阈值为0.0来过滤非关键的背景像素；W_n[i, j]表示索引i和j处特征之间的归一化权重；是自适应权重，初始为1.0，初期保持特征不变，训练中逐步优化；当索引j处特征有邻居特征时，邻居信息会更新该特征；若无邻居特征，则保持不变。

为了计算W_n，本文首先需要定义邻接矩阵A和度矩阵D。邻接矩阵A的定义如式(6)所示：

6

其中，E表示全部大脑中线相关联切片的集合。度矩阵D的定义如式(7)所示：

7

其中，D是对角矩阵；对角元素D[i, i]表示索引i处特征的度数，即与索引i处特征相邻的大脑中线相关联切片特征数量；U表示当前训练中与大脑中线相关联的切片总数。W_n的标准化公式如式(8)所示：

8

其中，表示D的逆平方根。

1.2. 大脑中线最优路径搜索策略

文献[13]巧妙地解决了大脑中线不连续性的问题，通过将此问题映射至分割后的概率图中，并在其上执行最优路径搜索，从而提出了一种用于获取连续大脑中线的分割方法。然而，该方法在对所有像素的概率值进行约束时采用了相同的标准，从而在低概率区域容易受到干扰。考虑到大脑中线在图像中通常表现出一定的对称性，即使发生偏移，其位置也会大体上保持在一个相对稳定的区域；但由于低概率区域缺乏有效的约束，这可能容易导致中线位置的抖动，进而对分割精度造成影响。为了解决这一问题，本文在原有的目标函数中引入了整列概率均值的目标约束，着重对低概率值像素进行优化。新增的约束项如式(9)所示：

9

其中，，用于避免对0取对数，确保数值计算的稳定性。β是该元素所在列的平均概率。H(p_i)是一个目标约束函数，用于筛选最优的概率值。通过在具有低概率值的像素上施加整列概率均值作为约束条件，该方法能够有效地指导大脑中线稳定地趋向于其整体位置，进而提高整体分割的准确率。

2. 实验

2.1. 数据集

为了评估本文所提方法在颅内大脑中线分割任务上的性能，本文在印度新德里高级影像、神经科学与基因组研究中心（Centre for Advanced Research in Imaging, Neurosciences and Genomics，CARING）提供的公开数据集（CQ500）^[20]上开展训练与验证工作。该数据集的构建过程涉及了三位资深放射科医生，他们的临床经验分别为8年、12年及20年。针对中线移位的判定，若医生间存在意见不一致的情况，则根据多数医生的意见为准。基于此标准，本文选取了40例中线偏移病例和40例无偏移病例作为训练集，并以20例中线偏移病例和20例无偏移病例作为测试集。每个病例数据选取最大的脑部区域中10张CT切片，这些切片由临床医生手动标记中线，以作为本文的黄金标准。

2.2. 评价指标

为了验证本文提出方法的分割性能，本文采用了以下分割评价指标：DSC、豪斯多夫距离（Hausdorff distance，HD）、平均对称表面距离（average symmetric surface distance，ASSD）^[21]和标准表面戴斯（normalized surface Dice，NSD）系数^[22]。DSC用于衡量分割结果与真实情况的区域重叠程度，HD用于测量分割表面与目标表面之间的最大距离，ASSD用于计算分割表面与真实表面双向平均距离以评估贴合度，NSD用于衡量分割表面与真实表面之间的距离，其计算公式如式(10)～式(13)所示：

10

其中，P表示由分割方法预测的分割结果；T表示人工标注的真实结果；|P∩T|是P和T交集的体素数；|P|和|T|分别是P和T的体素总数。

11

其中，δP和δT分别是P和T的表面（边界）；p和t分别表示P和T表面上的任意点；d(p, t)是点p和点t之间的欧式距离；sup和inf分别表示上确界（最大值）和下确界（最小值）。

12

其中，S(P)和S(T)分别为预测和真实的表面点集合；s_p和s_t分别为P和T的任意表面点；N_S(P)和N_S(T)分别为预测和真实表面点集的数量；min d(s_p, s_t)表示s_p和s_t两个点的最小欧式距离；同理，min d(s_t, s_p)表示s_t和s_p的最小欧式距离。

13

其中，是δT在τ距离内的膨胀区域；是δP在τ距离内的膨胀区域；是δP与交集的体素数；是δT与交集的体素数；τ是一个预设的容差值，用于定义边界的膨胀范围，这里τ值取1。

2.3. 实验设置

实验在英伟达显卡Tesla A100（NVIDIA，美国）上进行，使用计算机视觉和深度学习框架PyTorch 2.1（Facebook AI Research，美国）。在数据预处理阶段，本文对训练集以及测试集采取了一致的处理流程。具体操作为：设定脑窗，调整窗位至40、窗宽至90，并执行归一化处理。在此窗位和窗宽的设定下，颅骨像素表现为高亮显示。然后，本文通过逐层去除高亮像素的最大连通区域，从而实现颅骨的分离。本文保留了nnU-Net的自动配置功能，该功能在网络训练和数据增强方面表现出色，具体细节请参考原文献[15]。为了充分利用数据，整个训练过程中采用了5折交叉验证策略。

2.4. 消融实验

在本节中，本文选取了nnU-Net网络架构中的3D-UNet作为基础模型，并对BMSE-Net进行了消融实验验证。如表1所示，在逐步引入BMSE-Net的关键组件后，本文模型逐渐优化了基础模型的性能。当所有模块完成集成后，除NSD指标表现相对欠佳外，本文提出的BMSE-Net在其它所有指标上均展示出了卓越的性能。

表 1. Results of BMSE-Net ablation experiments.

BMSE-Net消融实验结果

基础模型	BMSE	大脑中线最优路径搜索策略	DSC	HD/mm	ASSD/mm	NSD
3D-UNet	—	—	(67.08 ± 10.97)%	26.37 ± 29.01	1.78 ± 3.05	0.84 ± 0.11
3D-UNet	√	—	(67.36 ± 10.81)%	26.21 ± 29.01	1.76 ± 2.98	0.84 ± 0.11
3D-UNet	√	√	(67.38 ± 10.49)%	24.22 ± 24.84	1.33 ± 1.83	0.82 ± 0.09

然后，本文对大脑中线最优路径搜索策略进行了消融实验。结果如表2所示，是本文方法与文献[13]中的方法结果的定量对比分析。从表2中各项指标来看，除了HD指标数值无明显改善外，其它指标均获得了提升。

表 2. Comparison of ablation experiment results for the brain midline optimal path search strategies.

大脑中线最优路径搜索策略消融实验结果对比

模型	DSC	HD/mm	ASSD/mm	NSD
文献[13]方法	(67.16 ± 10.67)%	24.12 ± 24.83	1.34 ± 1.89	0.81 ± 0.09
本文方法	(67.38 ± 10.49)%	24.22 ± 24.84	1.33 ± 1.83	0.82 ± 0.09

如图4所示，红线为真实标签，黄线为本文预测标签，蓝线为文献[13]预测标签，最左侧子图为加入BMSE先验模块后的初步分割概率图。从图4可以看出，本文方法对部分低概率区域进行了修正，使得分割后的中线更加符合大脑中线的整体位置。

图 4.

Results of the ablation experiments on the optimal path search strategy for the brain midline

大脑中线最优路径搜索策略的消融实验结果

2.5. BMSE先验模块的可解释性分析

如图5所示，红色框标记的是原始CT切片与经BMSE先验模块处理后切片的同一位置，通过比较这两个位置的局部像素值，可以明显观察到处理前后像素值的显著变化。具体来说，经过处理后，大脑中线位置的像素值显著增加，表明特征增强效果十分明显。通过展示具体的数值变化，本文有效地证实了BMSE先验模块的可解释性。

图 5.

Local pixel value comparison between the original image and the BMSE enhanced image

原始图像与BMSE增强图像之间的局部像素值比较

2.6. 实验结果

为了评估本文提出的BMSE-Net模型的性能表现，本文在CQ500数据集上进行了一系列的验证实验，并将BMSE-Net与其它几种网络模型进行了比较分析。具体而言，所选用的对比模型包括：注意力U-Net（attention U-Net，Atten-UNet）模型^[23]、U-Net模型以及3D-UNet模型。如表3所示，是不同模型在DSC、HD、ASSD和NSD各评价指标上的分割结果对比，展示出BMSE-Net的良好性能。

表 3. Comparison of all models on the CQ500 dataset.

所有模型在CQ500数据集上的对比

模型	DSC	HD/mm	ASSD/mm	NSD
Atten-UNet	(65.82 ± 12.76)%	25.78 ± 25.40	1.63 ± 2.50	0.83 ± 0.12
U-Net	(65.96 ± 12.49)%	26.06 ± 28.96	1.60 ± 2.67	0.83 ± 0.12
3D-UNet	(67.08 ± 10.97)%	26.37 ± 29.01	1.78 ± 3.05	0.84 ± 0.11
BMSE-Net	(67.38 ± 10.49)%	24.22 ± 24.84	1.33 ± 1.83	0.82 ± 0.09

根据结果分析，BMSE-Net在HD和ASSD指标上均明显提升，取得了显著的优化效果。另外，尽管加入大脑中线最优路径搜索策略之后，BMSE-Net的NSD评价指标有所下降，但是，其确保了大脑中线的连续性，这一点对临床辅助诊断至关重要。因此，综合对比，在大脑中线的分割任务上，BMSE-Net展现出显著优势。

本文所提模型与其它模型的分割结果如图6所示，其中红色与蓝色线段分别表示真实与预测标签。每行展示不同示例的分割结果，首列为测试集中原始切片，次列为对应的真实标签图，其余列显示各网络模型的分割效果。从图6可以看出，BMSE-Net在分割性能上显著优于其它模型，特别是在大脑中线边界附近的分割效果上表现尤为突出。与其它模型相比，BMSE-Net显著降低了预测结果中假阳性像素的数量。这一显著的性能提升，可能源于BMSE-Net能够高效地利用连续切片间大脑中线的上下文关系作为先验知识进行精确的分割。如图6所示，深度学习的基本模型在进行大脑中线分割时，常出现中线不连续的问题。为了解决这一问题，本文提出了大脑中线最优路径搜索策略。从BMSE-Net的分割结果来看，这种策略有效地确保了大脑中线的连续性。

图 6.

Comparison of segmentation results of different models on the CQ500 dataset

不同模型在CQ500数据集上的分割结果对比图

3. 讨论

ICH作为全球范围内发病率和死亡率持续居高不下的疾病，其管理和治疗一直是医学研究的重点。在临床治疗决策和预后评估中，精准地分割大脑中线是至关重要的一环。尽管如此，目前在大脑中线分割研究领域，大量工作集中于网络模型的创新发展，但其在分割效果上仍存在不足之处。因此，本文提出了一种BMSE–Net网络架构大脑中线分割方案。该方案在执行大脑中线分割任务时，展示出较高的准确性和可靠性，为ICH患者的预后评估与治疗方案的制定提供了强有力的技术支持。

尽管BMSE-Net在执行大脑中线分割任务时展示了显著的性能优势，但其在某些方面仍有待加强。特别是在遇到一些极端情况，如复杂的脑部病变导致大脑中线特征显著扭曲时，其分割精度尚需提升。未来，本课题组将深入探索适应更复杂情形的先验知识，进而将这些先验知识与现有模型相结合。如此一来，不仅可以增强模型对于复杂情况的适应能力，还有望在分割精度与稳定性方面获得进一步提升，从而为该领域的临床诊断提供更为可靠的技术支持。

4. 结论

传统的技术方法在构建大脑中线模型时，常常依赖于难以检测的解剖点，因此在一些脑部严重受损的场景下，这些解剖点可能会丢失。而采用深度学习的方法对中线进行分割时，也常会出现不连续性的问题。针对以上问题，本文提出了BMSE-Net网络架构，首先将CT图像输入至BMSE先验模块进行处理，利用大脑中线在正常和病理情况下的特征一致性，实现特征增强。然后，本文采用了大脑中线最优路径搜索策略进行分割结果的后处理，以确保大脑中线连续性的稳定。实验结果表明，通过融合BMSE先验模块和大脑中线最优路径搜索策略，能够显著提高分割任务性能。BMSE-Net在保持网络结构不变的情况下，实现了性能的显著提升，这凸显了合理利用数据先验知识对提高模型性能的重要性。与采用复杂网络结构相比，结合先验知识的方法不仅提高了模型的准确性和鲁棒性，而且为计算资源受限的情形提供了一种有效的解决方案。此外，这些基于先验知识的方法还具备较好的可解释性，在医学图像处理领域具有极其重要的价值。未来，课题组将进一步整合更多先验知识以优化模型的性能。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：耿帅负责算法设计与实现、数据处理与分析、论文写作与修改；蒋振刚提供实验指导及论文审阅修订；敖宇和李永辉参与实验结果的整理；苗语和师为礼负责文献调研和综述；王舒晗负责完善数据集。

Funding Statement

国家自然科学基金项目（82472118）

National Natural Science Foundation of China