0 引言

       布加综合征（Budd-Chiari syndrome, BCS）是指肝静脉和/或其开口近端下腔静脉阻塞导致的一系列临床症状^{[1, 2]}。其临床较为少见，发病率仅为百万分之一，临床总漏诊/误诊率为54.4%，这给首诊即准确诊断BCS带来了挑战^{[3, 4]}。磁共振血管成像（magnetic resonance angiography, MRA）是诊断BCS的主要方式^{[5, 6]}，在分析BCS患者的MRA图像时，首要任务是对血管进行识别和分割。然而，不同的影像医生因为经验水平的不同，其分割结果可能存在不一致^[7]。相比之下，人工智能则表现出较好的分割性能^[8]。作为人工智能的重要分支，深度学习（deep learning, DL）在肝硬化、肝脏恶性肿瘤、肝脏血管的分割中得到了广泛应用，并且对于DL模型所分割的图像，不同影像医生之间的判定结果表现出很好的一致性^{[9, 10]}。BCS类型繁多、病变特征各异且较为复杂^[11]，故对其准确分割和诊断仍存在挑战。然而，目前为止，有关DL模型在BCS患者增强3D-MRA分割中性能评估的研究尚未见报道。本研究旨在探索使用DL模型在BCS患者增强3D-MRA图像上分割的可行性，并评估不同影像医生对DL模型分割结果的一致性。

1 材料与方法

1.1 研究对象

       回顾性收集2009年1月至2024年1月徐州医科大学附属医院（中心1）收治的713例BCS患者和蚌埠医科大学第一附属医院（中心2）收治的20例BCS患者的资料。纳入标准：（1）原发性BCS；（2）年龄18~75岁；（3）接受了MRA、数字减影血管造影（digital subtraction angiography, DSA）和彩色多普勒超声检查。排除标准：（1）既往接受过介入治疗的BCS患者；（2）DSA和MRA检查间隔超过1个月；（3）MRA图像中血管显示不清或MRA图像部分缺失；（4）肝脏部分切除术后。纳入患者的流程见图1。入组患者以7∶1∶2的比例按照简单随机化分为训练集、验证集和测试集。本研究遵守《赫尔辛基宣言》，经徐州医科大学附属医院伦理委员会和蚌埠医科大学附属第一医院伦理委员会批准，批准文号：XYFY2023-KL417-01和BBYXY2024-142，全体受试者均签署了知情同意书。

点击查看大图

图1  BCS患者入选流程图。MRA：磁共振血管成像；DSA：数字减影血管造影；BCS：布加综合征。
Fig. 1  Enrollment flowchart of BCS patients. MRA: magnetic resonance angiography; DSA: digital subtraction angiography; BCS: Budd-Chiari syndrome.

1.2 仪器与方法

       数据采集使用2台1.5 T MR扫描仪（Siemens Healthineers, Germany；Philips Healthcare, the Netherlands）和5台3.0 T MR扫描仪（3台General Electric Healthcare，USA；2台Philips Healthcare，the Netherlands）。扫描参数：TR 3.9 ms，TE 1.4 ms，矩阵320×320，视野400 mm×350 mm，翻转角12°，层厚5.5 mm，层数70层，静脉注射对比剂钆布醇0.1 mmol/kg，注射速率2.5 mL/s，注射对比剂后15 s开始扫描，分别获得动脉期（15 s）、门静脉期（60 s）、平衡期（120 s）、延迟期（600 s）图像。通过多时相增强3D-MRA图像语义分割后输入DL模型训练。

1.3 模型的构建与训练

       使用3D U-Net作为骨干网络构建模型，并结合卷积块注意力模块（convolutional block attention module, CBAM）以实现对器官和血管的高精度预测。CBAM注意力机制包括通道注意力模块（增强每个通道的注意力表达，更关注目标的有意义信息）和空间注意力模块（强调图像中不同位置的重要性）。DL模型中还引入了上下文机制，用以综合利用图像的全局信息。使用5倍交叉验证方法防止模型过拟合。同时使用了ce_loss与dice_loss混合训练损失函数，将学习率设置为0.004，训练轮数设置为400轮。DL模型构建和数据处理流程图详见图2和图3。

点击查看大图

图2  深度学习模型的搭建。
Fig. 2  Construction of the deep learning model.

点击查看大图

图3  BCS的深度学习模型训练流程图。BCS：布加综合征；MRA：磁共振血管成像；CBAM：卷积块注意力模块。
Fig. 3  Training flowchart of the BCS deep learning model. BCS: Budd-Chiari syndrome; MRA: magnetic resonance angiography; CBAM: convolutional block attention module.

1.4 图像的标注及处理

       所有BCS患者的MRA图像被随机分给两名影像主治医师（分别具有8年和12年经验）进行标注，结果由另一名具有30年经验的影像主任医师进行审核和最终确认。3名影像医生均对临床数据不知情。分割的感兴趣区为肝脏、下腔静脉、肝静脉、椎旁静脉丛和门静脉。分割过程：首先勾勒肝脏和血管的轮廓并填充，接着手动对所标注的图像进行调整和修改，最后将手动分割好的图像统一重采样为64×256×256的3D图像格式。标注软件为ITK-SNAP^[12]（版本4.0.0，http://www.itk-snap.org/pmwiki/pmwiki.php）。图像从PACS以DICOM格式导出，并将其批量转换为神经影像技术倡议（neuroimaging informatics techology initiative, NIFTI）格式，用于后续模型的训练及测试。

1.5 评价指标

       通过Dice相似性系数（Dice similarity coefficient, DSC）、准确度、敏感度和特异度对DL模型的自动分割性能进行评估。通过受试者工作特征（receiver operating characteristics, AUC）曲线下面积（area under the curve, AUC）比较不同影像医生分割结果与DL模型之间的一致性。影像医生通过与MRA图像对比后对DL模型分割的肝脏、下腔静脉、肝静脉、椎旁静脉丛、门静脉结果进行主观评价，评价内容包括覆盖率（正确识别区域占比）、超出率（错误识别区域占比）、边缘契合度（与真实边缘相差小于1 mm视为边缘契合），分段小计为9分，总计为45分（表1）。

点击查看表格

表1  影像医生对深度学习模型分割布加综合征患者MRA图像结果的主观评价
Tab. 1  Subjective evaluation of MRA image segmentation in Budd-Chiari syndrome patients by radiologists using a deep learning model

1.6 统计学方法

       采用SPSS 26.0软件和Python 3.8版本的NumPy库（https://numpy.org）进行统计学分析。计量资料行正态性验证，符合正态分布的数据以均数±标准差表示，使用单因素方差分析，计数资料使用Kruskal-Wallis H检验，非正态分布的数据采用中位数（上、下四分位数）表示，组间差异使用Wilcoxon配对检验。通过DeLong检验对两名影像医生和DL模型的AUC差异进行比较。通过组内相关系数（intra-class correlation coefficient, ICC）评估两名影像医生对DL模型自动分割结果主观评分的一致性。使用梯度加权类激活映射（gradient-weighted class activation mapping, Grad-CAM）将模型的决策可视化，突出显示与预测相关的图像区域。P<0.05认为差异具有统计学意义。

2 结果

2.1 患者的临床特征

       按照纳排标准，共纳入220例BCS患者的MRA图像用以建立自动分割模型。在入组的220例BCS患者中，肝静脉阻塞型25例，下腔静脉阻塞型18例，混合型177例；其中，肝静脉阻塞型BCS患者中，肝左、肝中和肝右静脉阻塞分别为22、23、18例；混合型BCS患者中，肝左、肝中和肝右静脉阻塞分别为158、169、139例。患者的基线特征和临床数据见表2。

点击查看表格

表2  BCS患者临床基线特征
Tab. 2  Baseline clinical characteristics of BCS patients

2.2 DL模型的分割性能及其与影像医生的比较

       在训练集和验证集中，DL模型在肝脏和血管分割中的均获得了较高的DSC、敏感度、特异度和准确度。在测试集中，DL模型在肝脏分割中的DSC、敏感度、特异度和准确度均超过0.9。在静脉的分割中，DL模型在下腔静脉上获得了最高的DSC、敏感度、特异度和准确度（表3）。不同影像医生和DL模型在BCS患者的肝脏和血管识别中AUC差异无统计学意义（P>0.05），不同影像医生与DL模型之间具有较好的一致性（表4）。

点击查看表格

表3  深度学习模型在训练集、验证集和测试集中的分割性能
Tab. 3  The segmentation performance of the deep learning model on training, validation and test sets

点击查看表格

表4  DL模型和影像医生在测试集中的AUC比较
Tab. 4  Comparison of AUCs between the DL model and radiologists in the test set

2.3 不同影像医生对DL模型分割结果的一致性评估

       两名影像医生对测试集中DL模型自动分割的肝脏、下腔静脉、椎旁静脉丛和门静脉的结果均具有很好的一致性，对自动分割的肝静脉也具有较好的一致性。不同影像医生对DL模型分割结果的主观评价差异无统计学意义（P>0.05）。影像医生对DL模型分割结果的主观评价总分ICC值为0.94（95% CI：0.92~0.95），各部位主观评分ICC值为0.83~0.94。分段评价的ICC值详见表5。

点击查看表格

表5  不同影像医生对DL模型自动分割结果主观评价得分及其一致性比较
Tab. 5  Subjective evaluation scores and inter-rater agreement of radiologists for DL model's automatic segmentation results

2.4 Grad-CAM可视化

       Grad-CAM显示了DL模型能够对下腔静脉、肝静脉、椎旁静脉的感兴趣区准确识别。DL模型可以基本准确描绘出肝静脉边界，但对下腔静脉和椎旁静脉丛边界的分割更为精确（图4）。

点击查看大图

图4  DL模型分割下腔静脉、肝静脉和椎旁静脉丛的Grad-CAM图。4A~4D：男，53岁，BCS患者。4A：下腔静脉膜性带孔闭塞，3支肝静脉均节段性闭塞；4B~4C：下腔静脉和椎旁静脉的热力图；4D：DL模型勾画的下腔静脉及椎旁静脉丛。4E~4H：女，58岁，BCS患者。4E：下腔静脉及3支肝静脉均节段性闭塞；4F~4G：肝静脉的热力图；4H：DL模型勾画的下腔静脉及肝静脉。红色表示更强的注意力，蓝色表示更弱的注意力。DL：深度学习；Grad-CAM：梯度加权类激活映射；BCS：布加综合征。
Fig. 4  Grad-CAM visualizations of the DL model for inferior vena cava (IVC), hepatic veins, and paravertebral venous plexus. 4A-4D: Male, 53-year-old, BCS patient. 4A: Membranous perforated occlusion of the IVC and segmental occlusion of all three hepatic veins; 4B-4C: Heatmaps of the IVC and paravertebral veins; 4D: DL-model segmented IVC and paravertebral venous plexus; 4E-4H: Female, 58-year-old, BCS patient. 4E: Segmental occlusion of both the IVC and all three hepatic veins; 4F-4G: Heatmaps of the hepatic veins; 4H: DL-model segmented IVC and hepatic veins. Red indicates stronger attention, while blue shows weaker attention. DL: deep learning; Grad-CAM: gradient-weighted class activation mapping; BCS: Budd-Chiari syndrome.

3 讨论

       本研究使用DL模型，通过对影像医师手动分割的BCS患者增强3D-MRA图像进行特征提取，进而实现自动分割。结果表明DL模型在BCS患者的肝脏和血管分割方面表现出较好的性能；不同影像医生与DL模型在BCS患者的肝脏和血管识别中表现出较好的一致性；且对于DL模型所分割的图像，不同影像医生之间的判定结果表现出很好的一致性。因此，本研究首次提出将DL模型与BCS患者的肝脏和血管分割相联系，这也为后续的BCS定性诊断提供了基础。

3.1 DL模型的构建

       3D U-Net模型及其改进模型被广泛应用于医学图像的分割中。TONG等^[13]提出了一种基于空间分布和密度感知的肝静脉分割方法，在包括正常肝脏、肝肿瘤在内的383例患者CT图像的分割中，通过在3D U-Net模型中引入多轴挤压激励模块和分布校正模块来减少模型识别的假阳性区域、提高模型对肝静脉空间分布的理解能力，进而提高分割性能；HAO等^[14]则将3D U-Net模型和双支路渐进式下采样策略相结合，提出了一种分层渐进多尺度学习网络框架。在20例包括正常肝脏、肝脏肿瘤、肝脏局灶结节样增生的CT图像的肝静脉分割中，通过减少网络下采样过程中信息的丢失和引入深度监督机制，以实现更好的网络训练。文献报道^[15]在46例肝肿瘤、良性肝占位患者的动脉和静脉进行分割中，将3D U-Net模型和其他网络模型进行加权处理，通过调整组合网络权重，证明改变权重同样可以提升模型的分割性能。与上述文献不同，本研究尽管同样使用3D U-Net作为骨干网络，但通过CBAM中通道注意力机制，加强了对弯曲血管的分割性能。通过对原始图像进行了统一重采样，尽可能减小图像像素对图像特征提取的影响。考虑到图像分割过程中存在梯度消失、图像的噪声以及病灶与其周围的区域不能有效分开等问题，本研究中尽可能选用相对粗大、与周围脏器分界较清的静脉血管用以图像分割，对显示不清的静脉则以图像质量差予以排除。YU等^[16]在基于深度学习的CT图像的分割中，使用了ce_loss与dice_loss混合训练损失函数，提高了模型对细节捕捉能力，平均准确度提高了1.2%。本研究同样使用了ce_loss与dice_loss混合训练损失函数，通过对小血管赋予更高权重以避免其在模型分割过程中缺失，综合这些方法尽可能提高DL模型对BCS图像的分割性能。且这些非结构式改进措施除了提高模型分割性能外，还具有降低成本，减少计算资源占用的优势。

3.2 影像医生与DL模型分割的一致性分析

       DL模型在肝脏、肝静脉和下腔静脉的分割方面具有较好的性能。CAYOT等^[17]对231例多囊肝病患者的肝脏进行了分割，DSC为0.95，表明DL模型能够准确地对肝脏进行自动分割。本研究的DL模型对肝脏分割的DSC为0.93。尽管BCS患者往往表现出肝硬化、肝淤血的特点^[18]，但本研究结果仍与既往研究结果相似。SENGUN等^[19]分割了20例肾上腺肿瘤患者的下腔静脉，DSC为0.78。本研究DL模型分割的BCS患者的下腔静脉中，DSC为0.84。同时，在本研究中，下腔静脉的DSC和特异度等指标高于肝静脉、椎旁静脉丛和门静脉，表现出DL模型对BCS患者的下腔静脉具有较高的识别能力，这可能是因为下腔静脉的血管走行相较于肝静脉更为规则，边界相对清晰；其次，具有显著解剖变异的下腔静脉病例（如双下腔静脉）早期入组时便予以排除。这些原因使得DL模型在下腔静脉中表现出较好的分割性能。奈日乐等^[20]在对30例慢性肝病患者肝静脉MRI分割中，在nnU-net框架基础上，通过数据预处理和数据增强提高模型对肝静脉的分割性能，DSC为0.53；HUANG等^[21]使用3D U-net模型和dice_loss作为损失函数，对50例注释不完整，包括肝脏肿瘤、肝脏局灶性结节性增生在内的病例中肝静脉进行了分割，DSC为0.67，敏感度为0.76。与既往研究结果相仿，本研究的DL模型结合CBAM注意力机制和ce_loss与dice_loss混合训练损失函数，在肝静脉的分割中，DSC为0.65，敏感度为0.73。肝静脉的分支数量、走形、管径粗细存在个体差异，且肝静脉末端血管呈树状分叉，与肝静脉主干差异较大，这些特点在肝静脉型布加综合征患者中尤为突出，这使得肝静脉的分割难度大大增加；同时单纯肝静脉型布加综合征病例数相较混合型和下腔静脉型较少，这也是肝静脉型BCS图像分割性能较其他亚型无明显优势的原因之一。

       对于DL模型所分割的图像，不同影像医生之间的判定结果表现出很好的一致性。既往DL模型分割的磁共振尿路造影、颈动脉MRI和冠状动脉CT血管成像的研究中^{[22, 23, 24, 25]}，不同影像医生之间的ICC值为0.77~0.95，表现出较好的一致性。本研究中不同影像医生之间的ICC值为0.83~0.94，这与既往研究结果相近。同时，DL模型对下腔静脉的分割结果和人工分割图像高度重叠（图2），这说明了DL模型能以影像医生相当的水平精确描绘MRA图像中的下腔静脉。对下腔静脉的较高识别能力具有重要的临床意义。BCS的发病率为百万分之一^[3]，由于其少见的特点，误诊的情况时有发生^{[26, 27]}，临床总漏诊、误诊率54.4%，下腔静脉型为49.5%^[4]。同时，与西方国家更多的肝静脉型BCS相比^[28]，在中国BCS患者中最常见是肝静脉和下腔静脉混合型闭塞^{[29, 30]}。本研究中，DL模型对下腔静脉的识别能力与影像医生相当，提示了DL模型在后续的BCS临床诊断中具有巨大潜力。随着数据量的增加，该DL模型可以辅助影像医生早期准确诊断BCS，从而使更多患者早期获利。

3.3 局限性及展望

       首先，尽管BCS较为少见，但本研究用以DL的样本量仍存在不足。其次，本研究为回顾性研究，需要更多的外部数据集来验证结果的普遍适用性。此外，尽管MRA是临床诊断BCS的重要工具，但患者的临床表现和实验室检查对于诊断BCS也同样重要，但这些未被纳入DL模型。未来的研究可以考虑将这些因素纳入模型，以实现更准确和快速的诊断BCS。

       近年来基于transform方法的深度学习模型发展迅速，其核心是利用自注意力机制捕捉长距离依赖关系，以克服传统神经网络局部感受野限制的情况。尽管其存在计算资源需求量大的不足，但其全局建模能力和灵活性让其在医学图像的分割任务中表现突出，有望成为继传统神经网络之后的下一代基础构架。

4 结论

       本研究证实了DL模型在BCS患者增强3D-MRA中肝脏和血管的分割方面展现了较好的性能，且对于DL模型所分割的图像，不同影像医生之间的判定结果表现出很好的一致性，对后续辅助诊断BCS具有巨大潜力。