Page 77 - My FlipBook
P. 77
Brochure 2020
二、促成的合作計畫成果
1. 腦微出血自動 3-D 實例物件分割模與偵測框架
動機 :
高齡化社會已是全世界重大議題，各種老化相關疾病中以失智症最為令人矚目，早期偵測失智症或高風
險群將有助於及早確診、施予適度治療、及減緩病程進展。腦血管與腦神經系統息息相關，腦血管損害
將嚴重影響神經系統功能甚至神經退化，例如中風病人轉變為失智症風險極高。因此如何有效偵測腦血
管變異與病灶所在及大小，並釐清腦血管病變與神經系統病變之關係，將有助於疾病診斷與治療方針。
微出血 (microbleeds) 是一種腦小血管疾病。過去研究指出若腦中有微出血存在，則會與其認知功能缺失、
腦中風風險提高有關 (Chung et al., 2016; Chung et al., 2017)，且會影響缺血型中風的治療手段與後續預防
措施。在各式臨床檢查醫學影像中，腦微出血可利用磁敏感加權血管攝影影像 (SWAN) 觀察到，其在影像
上之表徵為形狀為圓形或橢圓形且邊緣清楚的低訊號區域 (Greenberg et al., 2009)。然而在該類型影像上
有許多類似微出血的結構會影響標記正確率，例如：正常血管、鈣化等。且又因為微出血面積很小不易
偵測，因此常需要耗費大量的人力、時間去進行檢查與標記。因此本研究首要目標，為開發影像處理及
深度學習技術，可自動偵測腦中微出血所在與大小。
再者，為釐清腦血管病變與神經系統病變之關係，本研究採用臨床「體顯性腦動脈血管病變合併皮質下
腦梗塞及腦白質病變 (CADASIL)」此一特殊病患，此疾病已被驗證與基因遺傳有關。而這些病患腦中常被
發現有大量的微出血 (Chen et al., 2014) 與腦白質高信號病變，因此藉由探究不同病程 CADASIL 病患 ( 未
發病、發病期短、發病期長 ) 之腦中微出血分布與其大腦白質病變的關係，將有助於釐清腦血管病變與
神經系統功能之關聯性。
目前結果 :
我們已與臨床醫師合作以人工方式標記建構具有 ground-truth labeling 的微出血影像資料庫。並基於 2-D
實體分割模型 (Mask R-CNN) 技術，開發 3-D 實例物件分割模型 ( 圖一 )，以改善其他 2-D 模型 ( 例如：
Retina U-Net 和 U-Faster R-CNN) 於偵測微出血準確率不足之問題。我們所建立之 3-D 實例物件分割模型，
其 AUC 為 0.706（IoU=0.5），領先現有之微出血偵測模型 ( 圖二 )。詳細偵測示意圖請參考圖三。目前此
研究成果正在撰寫論文準備投稿中 (IEEE Transactions on Medical Imaging)，投稿之文章標題為「Automatic
3D Instance Segmentation and Detection Framework for Cerebral Microbleeds」。
75
二、促成的合作計畫成果
1. 腦微出血自動 3-D 實例物件分割模與偵測框架
動機 :
高齡化社會已是全世界重大議題，各種老化相關疾病中以失智症最為令人矚目，早期偵測失智症或高風
險群將有助於及早確診、施予適度治療、及減緩病程進展。腦血管與腦神經系統息息相關，腦血管損害
將嚴重影響神經系統功能甚至神經退化，例如中風病人轉變為失智症風險極高。因此如何有效偵測腦血
管變異與病灶所在及大小，並釐清腦血管病變與神經系統病變之關係，將有助於疾病診斷與治療方針。
微出血 (microbleeds) 是一種腦小血管疾病。過去研究指出若腦中有微出血存在，則會與其認知功能缺失、
腦中風風險提高有關 (Chung et al., 2016; Chung et al., 2017)，且會影響缺血型中風的治療手段與後續預防
措施。在各式臨床檢查醫學影像中，腦微出血可利用磁敏感加權血管攝影影像 (SWAN) 觀察到，其在影像
上之表徵為形狀為圓形或橢圓形且邊緣清楚的低訊號區域 (Greenberg et al., 2009)。然而在該類型影像上
有許多類似微出血的結構會影響標記正確率，例如：正常血管、鈣化等。且又因為微出血面積很小不易
偵測，因此常需要耗費大量的人力、時間去進行檢查與標記。因此本研究首要目標，為開發影像處理及
深度學習技術，可自動偵測腦中微出血所在與大小。
再者，為釐清腦血管病變與神經系統病變之關係，本研究採用臨床「體顯性腦動脈血管病變合併皮質下
腦梗塞及腦白質病變 (CADASIL)」此一特殊病患，此疾病已被驗證與基因遺傳有關。而這些病患腦中常被
發現有大量的微出血 (Chen et al., 2014) 與腦白質高信號病變，因此藉由探究不同病程 CADASIL 病患 ( 未
發病、發病期短、發病期長 ) 之腦中微出血分布與其大腦白質病變的關係，將有助於釐清腦血管病變與
神經系統功能之關聯性。
目前結果 :
我們已與臨床醫師合作以人工方式標記建構具有 ground-truth labeling 的微出血影像資料庫。並基於 2-D
實體分割模型 (Mask R-CNN) 技術，開發 3-D 實例物件分割模型 ( 圖一 )，以改善其他 2-D 模型 ( 例如：
Retina U-Net 和 U-Faster R-CNN) 於偵測微出血準確率不足之問題。我們所建立之 3-D 實例物件分割模型，
其 AUC 為 0.706（IoU=0.5），領先現有之微出血偵測模型 ( 圖二 )。詳細偵測示意圖請參考圖三。目前此
研究成果正在撰寫論文準備投稿中 (IEEE Transactions on Medical Imaging)，投稿之文章標題為「Automatic
3D Instance Segmentation and Detection Framework for Cerebral Microbleeds」。
75
