學會會訊
大腦微出血(Cerebral microbleeds, CMBs)是正常腦組織上局部慢性血液 產物(Chronic blood product) ， 大腦微出血普遍存在於腦血管與認知疾病患 者以及許多具心血管風險因子的老年人。大腦微出血的存在與其分佈型態 被認為是腦血管疾病重要的診斷標記，例如，分佈在腦葉的大腦微出血表 示可能的大腦類澱粉血管病變(Cerebral amyloid angiopathy) ，以及位於深部大腦半球或大腦天幕下的大腦微出血意味著可能的高血壓血管病變。更 重要的是，大腦微出血的存在可能意味著腦內出血和復發缺血性中風風險 的增加，除這些血管疾病外，大腦微出血也會損傷其附近的腦結構組織， 並進一步導致神經功能惡化、認知障礙與失智。於此方面，可靠且有效檢 測大腦微出血的存在與數量對於大腦診斷是至關重要的，同時亦可協助醫 師必要治療之準確藥物的使用，如中風預防(Stroke prevention)。
磁振造影(Magnetic resonance imaging)技術的進步，例如，敏感性加權成 像(Susceptibility-weighted imaging, SWI)促進大腦微出血的辨識。一般來 說，臨床常規標記大腦微出血是基於視覺檢視和手動描繪，易受不同觀察 者間有限的再現性困擾且費力、耗時。或者，自動檢測方法可以幫助減輕 臨床醫師的工作量並提高診斷評估的效率和可靠性。不過，大腦微出血的 自動檢測面臨幾個挑戰。首先，大腦微出血直徑在 2 與 10 mm 之間存在很 大的變異性；第二，廣泛的大腦微出血分布位置很難完整且正確的偵測； 第三，腦部影像存在很多難以區分的大腦微出血相似物，例如，血管理的 流動性空洞(Flow voids) ，鈣化(Calcification)與海綿狀血管畸形(Cavernous malformations)，其類似 SWI 掃描之大腦微出血外觀嚴重阻礙偵測過程。
最初的大腦微出血自動偵測方法是基於形狀、大小和影像強度資訊為特徵 辨識。例如，Fazlollahi et al.利用雷登轉換(Radon transformation)描述大 腦微出血的形狀資訊[1]；Kuijf et al.應用徑向對稱轉換(Radial symmetry transformation)識別球形區域為大腦微出血[2] ；為了改善鑑別能力， Bianet al.提出在執行二維快速徑向對稱轉換後測量幾何特徵[3] ； Ghafaryasl et al. 則進一步設計全面性的特徵，集合幾何、影像強度、比例與局部的影像結 構[4]；為提高偵測速度，一些研究人員提出要先迅速清除明顯非大腦微出 血背景區域並依據這些特徵進一步分類與檢索少量有希望的候選物件[5-6] 。但是，這些特徵在很大程度上取決於大腦微出血的臨床知識。此外， 這些低階特徵通常還不足以實現掌握大腦微出血的複雜特徵。
近來，為了更準確的偵測大腦微出血，一些研究施行於資料驅動(Data drive) 學習特徵[7-8]，其中捲積神經網路(Convolutional neural network, CNN) 憑藉其強大擷取高階特徵能力，是最大有可為的解决方案之一，來迎接大 腦微出血偵測的挑戰。其實，CNN 已經成功實現於階層式特徵表現，包含 物件偵測、影像分類與視訊行為辨識。最近，CNN 也提出傑出的效果於二 維醫學影像計算問題，如標準平面超聲波影像對位與組織影像之細胞有絲 分裂偵測。為了準確且有效地偵測 SWI 資料的大腦微出血，Dou et al. 提 出一個強健且有效的三維捲積神經網路方法[9]，具體來說，方法包括兩個 階段。第一階段是”篩選”階段，其中少數候選物件使用新穎的三維完全捲 積網路(Fully convolutional network)檢索模型。第二階段是使用三維捲積 神經網路識別模型辨識從篩選中獲得的候選物件。這個階段消除大量的假 陽性候選物件並獲得最終檢測結果。驗證 Dou et al.提出方法的有效性，其 建構於一大型腦 SWI 資料庫，包括 126 例中風患者和 194 例正常老化受 試者，對此進行廣泛的大數據資料驗證。
大腦微出血已被認可為腦血管疾病診斷與神經功能障礙評估的重要生物標 記，在當前臨床常規中，手動標記是費力、耗時且容易出錯。為了減緩神 經科醫師的工作量以及進行突破性的後續研究工作，並改善與提高診斷效 率，我們研究團隊亦正進行開發智慧學習自動辨識與檢測 SWI 之大腦微出 血演算法，以期透過數據驅動的方式提升臨床資料的應用。
參考文獻
