基于医疗风险的医学图像分割研究

基于医疗风险的医学图像分割研究

        ,                     ,刘晓洁

同济大学 上海 201800

摘要：随着医学成像技术不断发展和进步，计算机图像分析模型日趋成熟，医学图像分割算法逐渐成为辅助医疗诊断的有力工具之一。本文基于医疗风险的角度对医学图像分割算法的评价方法和其实验研究进行了综合分析。在日常医疗过程中风险是无法回避的话题，然而在目前的医学图像分割算法中将医疗风险纳入评估因素的案例较少，本文从结合临床实际的角度，对医学图像分割下的医疗风险进行了综合分析和实验研究。伴随着基于医学图像分割的辅助诊疗得到越来越广泛的应用，能够为医生及专家提示算法分割结果中的医疗风险，提供更具临床意义的帮助与指导。

关键词：医疗风险；医学图像；图像分割

前言：在一般医学图像分割算法中，很少会考虑到分割导致的医疗风险问题，但在实际医疗场景下医疗风险是医疗从业者不可忽视的一部分。在社会经济不断发展的大背景下，生活节奏越来越快，因为工作压力过大，导致各种疾病多发，并呈现出低龄化的趋势，为提升诊疗效率，在运用计算机图像分割技术进行辅助诊断时，应将医疗风险纳入评价体系，才能促进智能医疗更加全面和健康的发展。

1基于深度学习的医学图像分割方法

1.1卷积神经网络

卷积神经网络是一种包含多个阶段的网络模型，在医学技术不断发展的过程中，可以据此挖掘出原始数据中的深层和抽象的特征，在图像分割中具有非常重要的应用价值，且具有很大的潜在发展空间。在现代医学图像分割中普遍会采用这种办法作为骨干框架。卷积是该神经网络的核心组成部分，其本质是一个滤波器，在输入图像上与感受野内的元素逐位相乘。激活层主要由激活函数来实现，对输出内容可以进行调整和截断，可以直接处理非线性问题，常见的有 Sigmoid 函数，ReLu函数两种[1]。池化层主要用于对特性的降维，能够有效去除部分冗余信息。全连接层一般在整个神经网络结构的末尾，能够适应不同大小的图像输入。全卷积神经网络具有非常强大的功能性，其提取能力较强，目前在医学领域的整体推广情况较好，在图像分割领域发挥着重要作用。

1.2常用的医学图像分割评价标准

在医学图像分割领域中，最常用的评价方法为像素法和区域法两种，像素法主要通过比较分类正确及错误的像素占标准分割结果的总像素数量来衡量两者间的差异，比较常用的指标包括准确率、精确率、特异性与敏感性等。区域法主要通过比较实际分割结果与标准分割结果中对应区域的重合部分的比例来评价两者的一致程度。比较常用的指标包括Dice相似系数、Jaccard系数、Hausdorff距离等。在医学图像分割算法中，较常用的评价标准为Dice相似系数和Jaccard系数。

2医学图像分割中医疗风险评估方法及实验研究

2.1风险影响因素

构建医学图像分割中的医疗风险评估方法，应优先确定图像分割结果中可能对医疗风险大小产生的影响因素。然后再根据不同影响因素的重要程度分配相应的权重，最后加权不同影响因素的风险得到最终评估结果。基于风险评估视角对医学图像分割中存在的医疗风险进行评估发现风险要素的确定是实验中非常关键的一个部分。

有关医疗风险的影响因素有很多，本文主要研究了两个方面，如下：

其一是误切组织周边脏器，主要是指在图像分割的过程中，将实际为其他组织脏器的像素错误分类为目标区域。人类身体中的组织和脏器是十分复杂的，由于不同组织和脏器对人体功能的影响程度各有不同，有些组织在手术中被误切并不会影响到患者正常生活，也不会威胁到患者生命安全，而一些重要的脏器被误伤，不仅会引发一系列的并发症和后遗症，使得患者在术后非常痛苦，且影响其康复进度，还会在术中增加失败的风险，进而危及到患者生命安全。被误切的组织或者脏器越重要，在手术分割中的风险就越大[2]。

其二是误切周边重要组织脏器的大小，误切部分在分割结果中对应的是实际为目标区域周边的其他重要组织或脏器。患者间的个体差异导致其在发生病症时，内部组织器官在大小上也可能不尽相同，以常规误切的绝对大小来评估切割风险是一种非常冒险的行为，应该使用相对值概念，即用分割结果中的某一脏器被错分为目标的区域像素数量占该脏器总像素数量的比例，该比例越大，代表在具体手术过程中造成的误伤会越严重，即代表手术中的风险就越大。

2.2风险评估方法

2.2.1分割对象风险

分割对象的风险与前文中提到的误切周边重要组织脏器的种类这一影响要素相对应。具体而言，基于医学图像分割算法得出的结果，可能存在错将目标区域周围的其他重要组织脏器分类为目标的情况，进而可能误导医生在手术过程中错将目标区域周边的其他重要组织器官错误切除，继而很可能带来医疗风险。当错切的器官组织越为重要，后续所带来的影响和后果就越严重，医疗风险也更高。因此，可以根据这些脏器组织的重要程度，对错切发生的危险程度进行划分，给不同的脏器组织设置不同的权重，当某一器官的权重值越大，表示错切该器官的后果越严重。

以男性生殖系统的严重疾病，前列腺癌症为例，恶化情况比较严重的情况下，对于大多数患者而言，只有进行切除手术才能根治疾病。前列腺位于男性的盆腔底部，其上方为膀胱颈部，下方为尿道外括约肌及盆壁，后背紧贴着直肠壁，后外上方是输精管末端的膨大和精囊，精囊处在膀胱和直肠之间，附于前列腺的两侧，前列腺在解剖上与这些重要的组织和结构紧密相邻。因此，在进行分割手术切割时，一旦对周边组织和结构造成伤害，在术后就会引发不同程度的并发症，继而会引发不同程度的风险[3]。

常见的风险主要有以下四种情况：性神经血管束是控制阴茎勃起的重要神经组织，紧贴前列腺，在切割中发生受损的情况会导致男性性功能障碍。控尿神经血管束、背静脉以及尿道外括约肌，主要起到控尿作用，在切割手术中如果误伤了膀胱颈和括约肌，或者是切断了背深静脉复合体，很可能会出现尿失禁这种术后后遗症。直肠紧挨着前列腺，其中主要为人体排泄物，如果在手术中不慎切破，加上修复不及时，不仅会导致患者感染，而且还会形成粪瘘，最终影响患者术后恢复甚至正常生活。精囊分泌的液体是精液的主要组成成分，如果在手术中伤及此，可能会导致男性排精功能、性功能以及生育功能损坏。

2.2.2分割效果风险

分割效果风险是由错分区域的面积大小带来的医疗风险，对应于上文中提到的误切周边重要组织脏器的大小。根据合作医院提供的数据分析后发现，如果误切其他器官的大小占该误切器官总大小的比例越高，即错分像素点占误切器官总像素点的绝对值越高，对手术效果和患者预后情况的影响越大，即会带来更大的医疗风险。比如，在前列腺手术中，如果误切了大部分精囊组织，对患者的排精功能、生育功能会带来严重影响[4]。

2.2.3医疗风险计算方法

医疗图像分割中的医疗风险主要分为分割对象风险和分割效果风险两种，和分割效果风险，评估方法框架如下图1。从像素级别分析，医疗风险就是分割结果中每个错分像素对应风险的累计。令表示原始图像，表示通过分割算法得出的实际分割结果，表示标准分割结果，和的大小均为，图像中共有个类别，设待分割的目标区域类别为第类。由医生和专家们根据科学理论及临床经验设定一个合理的权重矩阵，大小为。医疗图像分割风险的计算主要分为五个步骤：

图1 医学图像分割中的医疗风险评估框架

第一，依据算法分割结果，计算出一个大小的多分类混淆矩阵X。

第二，在上面混淆矩阵中提取第列的所有元素，构造出一个新的矩阵，各元素值分别表示目标区域被分为个类别的像素数量，其中代表被正确分类为类的像素数，其余为其他类别的对应像素数。

第三，将错分的像素绝对值转化为相对值，用矩阵X’中每一列元素的值处以原矩阵X对应列所有元素的和，得到新的风险矩阵Y，最终得到的计算公式如下：

第四，对权重矩阵进行归一化得到矩阵，公式如下：

第五，将风险矩阵和矩阵进行乘法运算求得风险值S-risk，公式如下：

计算中，S-risk的取值范围为[0，1]，当S-risk的值越接近0，表明分割的风险越小。

2.3实验与分析

2.3.1实验数据与预处理

基于分割场景的视域下对医疗风险评价指标的有效性加以验证，实验的数据为合作医院提供的前列腺核磁共振图像。实验中所有数据都真实可靠，由西门子3.0T磁共振扫描仪使用不同频率射向和脉冲组合对患者腹部进行扫描得到。数据集包含80组数据，每组样本数据由24张DICOM格式的图像切片组成，对应分割金标准——由专业医生手工分割得到的标注图像。图像中包含的器官有前列腺、精囊以及直肠，每个部位颜色不同，分别对应蓝色、绿色和青色，以便帮助进行区分。

2.3.2实验设置

在实验中选取医学图像分割中的主流算法——U-Net[5]算法，并选取Dice相似系数和Jaccard系数这两个目前较常用的，以及本文设计的S-risk作为评价指标。其中S-risk的风险权重取值由合作医院的专业医生做规定，以实际前列腺图像分割手术的背景为依据，为[1,0,9,4]，分别与错切背景、前列腺体、直肠和精囊风险值一一对应。

2.3.3实验结果分析

为保证分析结果精确性，做了多轮实验操作，以下六组比较具有参考价值，如图1 所示。 第一行图(a1)-(f1)为标准分割图，第二行图(a2)-(f2)为算法输出的分割图，第三图中，将误切部分用黄色部分高亮标出以便对比。表1为六组分割图像对应的损失函数值。

表1 前列腺核磁图像分割结果对比

图 1 前列腺核磁图像分割对比图

通过上图观察发现，(a)、(b)两组图像都出现了将部分直肠上边缘的像素分割到前列腺中的情况，结合前面专业医生给到的[背景，前列腺，直肠，精囊]为[1,0,9,4]的前列腺分割权重可以知道，错分风险的排序为直肠>精囊>背景，所以错分直肠带来的医疗风险最大。然而，从表1的分割结果对比中来看，在Dice系数和Jaccard系数评价标准下，(a)、(b)两组的分割准确度在六组分割结果中却排在了前两位，表明认可它们的分割效果优于其他组，这样的评价在实际医疗分割场景下无疑是不符合现实情况的。相比之下，基于S-risk风险评价下，(a)、(b)两组的风险值排在所有六组中的末尾两位，并且与其他四组有着非常明显的差距，即在S-risk评价标准下提示了（a）、（b）两组的分割结果比另外四组具有更大的风险，与临床实际情况相符合，可以有效提醒医生对分割方案进行谨慎判断和选择。同时，从图片中可以看到另外四组分割结果中，（c）、（e）两组的分割结果没有损伤直肠和精囊，避免了误切的风险，在S-risk评价标准下这两组的风险值也相应地远低于其他，由此也能得出基于S-risk评价标准下的风险评是符合常理的。

结合表1和表2来看， (a)、(b)两组图像同为错分伤及直肠，风险值较高的(b)确实比(a)错分了更多的像素数，（b）在总体占比上也大于(a)，这与实际情况中的规律相吻合，即错切部分越大所导致的风险也会越大，并且(d)、(f)两组也能得到同样的印证。

表2 前列腺核磁图像分割结果错分像素数对比

结论：综上所述，目前，国内对图像分割领域的医疗风险问题还不够重视，但是基于现代医学技术不断发展的支撑下，经过研究发现，在图像分割领域影响医疗风险的要素是多样的。本文着重对其中两个方面进行了研究，还有诸多不全面不够完整的地方。在医疗风险评估模型逐渐发展的背景下，未来能够有效避免图像错分导致的风险问题，实现智能医疗的不断发展。

参考文献：

[1]Kumar N, Verma R, Sharma S, et al. A Dataset and a Technique for Generalized Nuclear Segmentation for Computational Pathology[J]. IEEE Transactions on Medical Imaging, 2017, 36(7):1550-1560

[2]李圣杨. 基于深度学习的医学图像分割方法研究[D].上海交通大学,2020.

[3] Plass K , Ma K , Plass, et al. Prognostic Value of Biochemical Recurrence Following Treatment with Curative Intent for Prostate Cancer: A Systematic Review[J]. European Urology, 2018

[4]王茜雯. 基于深度学习的超声医学图像分割方法研究[D].南京邮电大学,2022.

[5]onneberger O, Fischer P and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation[C]. International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2015:234-241

基金项目：NSFC-浙江两化融合联合基金 (U1809206), 国家重点研发计划“变革性技术关键科学问题”重点专项 (2020YFA0711402),  上海优秀学术带头人计划(19XD1434000), 上海市国际科技合作基金项目 (19490712800)