3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

每年，全球有数百万人遭受中风之苦，中风是由于大脑血流突然中断导致的，可能导致死亡或长期残疾。当中风发生时，时间是最关键的因素。医生依靠磁共振成像（MRI）来准确观察损伤发生的具体位置。这些扫描能够生成详细的三维大脑图像，使医生能够定位受损组织，即病灶。为了有效地治疗患者，医生必须精确测量这一受损区域的大小和形状。然而，在电脑屏幕上手动进行这项工作既缓慢、乏味，又容易产生人为错误，尤其是在受损区域微小或分散的情况下。

近年来，计算机已经学会了自动完成这项工作。利用一种被称为深度学习的人工智能技术，机器现在可以在几秒钟内扫描大脑图像并标出受损区域。但目前这些计算机的工作方式存在一个显著问题：它们表现得像是从不承认自己不确定的自信专家。当计算机围绕中风划定边界时，它会给出一个单一且确定的答案，却不告诉医生它是绝对确定还是仅仅在猜测。在医疗环境中，这种缺乏诚实的行为是危险的。医生不仅需要知道计算机认为损伤在哪里，还需要知道计算机在哪些地方犹豫不决，以便在做出生死攸关的决定之前，能够对这些特定部位进行复查。

摩洛哥西迪·穆罕默德·本·阿卜杜拉大学的一个研究小组开发了一种解决这一问题的新方法。他们创建了一个系统，该系统不仅能找到中风，还能告诉医生它对自己工作的信心程度。他们的方法结合了一个旨在一次性观察整个大脑的强大计算机模型，以及一种巧妙的技巧，让模型能够以略微不同的方式对同一张图像进行多次“思考”。通过比较这些不同的思考过程，该系统可以绘制出图像中哪些部分是清晰的，哪些部分是令人困惑的。这使得计算机可以将一份中风地图连同另一份显示其不确定性的地图一起交给医生，从而将一个简单的自动化工具转变为可靠的医疗决策伙伴。

研究人员在来自一个重大国际挑战赛的大量大脑扫描图像上测试了他们的系统，这些图像涉及来自不同医院的数百名患者。这些扫描包括了用于识别急性中风的金标准中的两种特定类型的图像：一种显示大脑中水分运动受阻的情况，另一种测量水分通过组织时的难易程度。团队训练他们的计算机去观察大脑的整个三维体积，而不是仅仅将其切成扁平的二维图像。这一点至关重要，因为中风往往具有复杂的、不规则的形状，并跨越大脑的多个层面，而观察整个体积有助于计算机理解损伤的真实结构。

为了让系统意识到自身的置信度，研究人员使用了一种称为蒙特卡洛丢弃（Monte Carlo Dropout）的技术。简单来说，这涉及在计算机进行最终分析期间，保持内部的一个“小开关”处于开启状态。通常情况下，一旦计算机完成训练，这个开关就会被关闭，但在这里，他们将其保持开启。这个开关会在每次观察图像时，随机关闭计算机思维过程中的微小部分。因为计算机每次通过略微不同的“透镜”观察同一张图像，所以它每一次观察都会产生略有不同的答案。研究人员要求计算机对每张大脑扫描图像进行二十次观察。通过对这二十个不同的答案取平均值，计算机创建了一幅更准确的中风最终图像。更重要的是，通过观察这二十个答案之间的分歧程度，计算机可以计算出图像中每一个点的确定性得分。

结果表明，这种方法在两个层面上都发挥了作用。首先，计算机在寻找中风方面变得更出色了。通过使用一种特定的注意力机制，引导模型专注于图像中最重要的部分并忽略健康的大脑组织，该系统提高了检测受损区域的能力。它比以往的方法找到了更多的实际中风组织，这对于治疗方案的制定至关重要，因为漏掉哪怕一小块受损的大脑都可能导致治疗效果不佳。该系统在衡量其轮廓与真实损伤匹配程度的得分上达到了0.6816，这是在针对该特定数据集测试的单模型方法中表现最好的结果。

其次，也是更重要的一点是，该系统成功生成了不确定性图。研究人员发现，当计算机充满信心时，它的二十次观察结果都是一致的，因此不确定性得分较低。当计算机不确定时，这二十次观察的结果就会出现显著差异，从而产生较高的不确定性得分。这些高分恰好出现在计算机出错的地方：即中风的模糊边缘或非常微小、难以观察的病灶处。该系统自然地将最小且最复杂的中风标记为最不确定的案例。这意味着在真实的医院里，医生可以通过查看计算机的地图，立即看到复杂部位周围存在一个闪烁的不确定区域，从而知道那里正是他们需要仔细检查的地方。

研究还将他们的单模型系统与其他使用多个模型协同工作的系统（称为集成模型）进行了比较。虽然那些大型模型组有时能达到略高的准确度，但它们无法提供任何关于置信度的信息。它们仍然是黑匣子，只给出一个答案而没有任何解释。来自摩洛科研究小组的新系统之所以独特，是因为它是第一个在这一基准测试中，为三维中风分割提供详细的点对点置信度图的模型。它证明了一个设计良好的单模型既可以具备高准确度，又能对其局限性保持诚实。

这项工作代表了一种转变：不再将人工智能视为一个仅仅输出结果的“神奇盒子”，而是将其视为一种能够传达其推理过程的工具。研究人员证明，通过让计算机表达其不确定性，我们并不需要牺牲准确度。事实上，这种方法在不需要任何额外训练时间或对底层架构进行复杂更改的情况下，提高了对微小中风的检测能力。该系统已准备好投入到一种工作流程中：由计算机承担扫描图像的繁重工作，而医生则将专业知识集中在计算机不确定的区域。这种协作确保了自动化的速度与人类监督的安全性相结合，这是将这些技术引入现实世界医院以帮助患者从恢复中获益的必要步骤。