信息瓶颈引导的颅内出血分割方法

doi:10.11772/j.issn.1001-9081.2024060855

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (6): 1998-2006.DOI: 10.11772/j.issn.1001-9081.2024060855

• 多媒体计算与计算机仿真 • 上一篇

信息瓶颈引导的颅内出血分割方法

蒋杰¹, 骆功宁¹, 董素宇², 李凡丁¹, 李向宇¹(), 李钦策¹, 袁永峰¹, 王宽全¹

^1.哈尔滨工业大学计算学部，哈尔滨 150001
^2.东北林业大学计算机与控制工程学院，哈尔滨 150040

收稿日期:2024-06-24 修回日期:2024-09-06 接受日期:2024-09-10 发布日期:2024-09-18 出版日期:2025-06-10
通讯作者: 李向宇
作者简介:蒋杰（2001—），男，重庆人，硕士研究生，主要研究方向：医学图像处理、计算机视觉
骆功宁（1989—），男，山东烟台人，副教授，博士，主要研究方向：计算心脏学、医学图像分析
董素宇（1989—），女，内蒙古乌兰察布人，副教授，博士，主要研究方向：医学图像处理、多模态医学图像分析
李凡丁（2002—），男，吉林长春人，博士研究生，主要研究方向：医学图像处理、计算机视觉
李钦策（1985—），男，山东淄博人，副研究员，博士，主要研究方向：医学图像处理、生物系统建模
袁永峰（1979—），男，四川邛崃人，副教授，博士，主要研究方向：医学图像处理、计算心脏学
王宽全（1964—），男，四川达州人，教授，博士，主要研究方向：医学图像处理、计算心脏学。

Information bottleneck-guided intracranial hemorrhage segmentation method

Jie JIANG¹, Gongning LUO¹, Suyu DONG², Fanding LI¹, Xiangyu LI¹(), Qince LI¹, Yongfeng YUAN¹, Kuanquan WANG¹

^1.Faculty of Computing，Harbin Institute of Technology，Harbin Heilongjiang 150001，China
^2.College of Computer and Control Engineering，Northeast Forestry University，Harbin Heilongjiang 150040，China

Received:2024-06-24 Revised:2024-09-06 Accepted:2024-09-10 Online:2024-09-18 Published:2025-06-10
Contact: Xiangyu LI
About author:JIANG Jie， born in 2001， M. S. candidate. His research interests include medical image processing， computer vision.
LUO Gongning， born in 1989， Ph. D.， associate professor. His research interests include computational cardiology， medical image analysis.
DONG Suyu， born in 1989， Ph. D.， associate professor. Her research interests include medical image processing， multimodal medical image analysis.
LI Fanding， born in 2002， Ph. D. candidate. His research interests include medical image processing， computer vision.
LI Qince， born in 1985， Ph. D.， associate research fellow. His research interests include medical image processing， biological system modeling.
YUAN Yongfeng， born in 1979， Ph. D.， associate professor. His research interests include medical image processing， computational cardiology.
WANG Kuanquan， born in 1964， Ph. D.， professor. His research interests include medical image processing， computational cardiology.
Supported by:
National Natural Science Foundation of China(62372135);China Postdoctoral Science Foundation(2024M754207);National Postdoctoral Researcher Program(GZC20242214)

摘要/Abstract

摘要：

在计算机辅助诊断领域，精确分割计算机断层扫描（CT）图像中的颅内出血（ICH）对后续的治疗和预后至关重要。针对小出血区域难以分割的问题，提出一种信息瓶颈引导的ICH分割方法并基于该方法构建一个信息瓶颈引导的分割网络（IBGS-Net）。首先，采用U-Net架构作为基础，并引入信息瓶颈层增强与ICH分割相关的关键特征的识别；其次，通过设计的残差空间自适应归一化（ResSPADE）模块，信息激活图（IAM）被有效整合到分割流程中，提升网络对出血区域的识别和定位能力；最后，引入交互引导损失（IGL）函数以优化模型对难分割区域的处理，进一步增强模型的泛化性能。在内部数据集上的评估结果表明，所提方法在Dice相似性系数（DSC）、归一化表面Dice（NSD）和相对体积差（RVD）这3个指标上分别达到了78.1%、90.1%和11.5%；在公开数据集INSTANCE 2022上，与其他的分割方法的比较结果表明，所提方法的3个指标相较于次优结果，分别提升了1.9、2.4和下降了3.2个百分点。以上验证了所提方法在ICH分割任务中的有效性和优越性，可用于协助临床医生进行ICH分割。

关键词: 颅内出血分割, 信息瓶颈, 交互引导损失, 残差空间自适应归一化, U-Net

Abstract:

In the field of computer-aided diagnosis， accurate segmentation of IntraCranial Hemorrhages （ICHs） in Computed Tomography （CT） images is crucial for subsequent treatment and prognosis. To address the challenge of segmenting small hemorrhage regions， an information bottleneck-guided ICH segmentation method was proposed. Based on this method，an Information Bottleneck-Guided Segmentation Network （IBGS-Net） was proposed. Firstly， the U-Net architecture was used as a base， and an information bottleneck layer was introduced to enhance the recognition of key features related to ICH segmentation. Then， through the designed Residual SPatially-ADaptivE normalization （ResSPADE） module， the Information Activation Map （IAM） was integrated effectively into the segmentation process， thereby improving the network’s ability to identify and locate hemorrhage regions. Finally， an Interactive Guided Loss （IGL） function was introduced to optimize the model’s processing of difficult-to-segment regions， thereby further enhancing the model’s generalization performance. Evaluation results on the internal dataset indicate that the proposed method achieves 78.1% in Dice Similarity Coefficient （DSC）， 90.1% in Normalization Surface Dice （NSD）， and 11.5% in Relative Volume Difference （RVD）. On the public dataset INSTANCE 2022， the results of comparison with other segmentation methods show that compared to the suboptimal results， the three indicators of the proposed method increased by 1.9， 2.4， and decreased by 3.2 percentage points， respectively. The above validates the effectiveness and superiority of the proposed method in ICH segmentation tasks， so that the method is suitable for assisting clinicians in segmenting ICHs.

Key words: IntraCranial Hemorrhage (ICH) segmentation, information bottleneck, Interactive Guidance Loss (IGL), Residual SPatially-ADaptivE normalization (ResSPADE), U-Net

中图分类号:

TP391.4

蒋杰, 骆功宁, 董素宇, 李凡丁, 李向宇, 李钦策, 袁永峰, 王宽全. 信息瓶颈引导的颅内出血分割方法[J]. 计算机应用, 2025, 45(6): 1998-2006.

Jie JIANG, Gongning LUO, Suyu DONG, Fanding LI, Xiangyu LI, Qince LI, Yongfeng YUAN, Kuanquan WANG. Information bottleneck-guided intracranial hemorrhage segmentation method[J]. Journal of Computer Applications, 2025, 45(6): 1998-2006.

图/表 9

图1 本文模型的结构

Fig. 1 Structure of proposed model

图2 ResSPADE结构和ResSPADE Block结构

Fig.2 ResSPADE structure and ResSPADE Block structure

表1 不同方法的分割性能对比 (%)

Tab. 1 Comparison of segmentation performance of different methods

数据集	方法	Dice	NSD	RVD
内部数据集	Patch-FCN^［34］	75.5	84.9	17.2
	DR-UNet^［35］	76.3	85.4	14.3
	U-Net^［11］	75.8	83.9	21.2
	3D U-Net^［36］	76.4	87.0	16.2
	SLEX-Net^［14］	76.1	86.8	15.7
	IBGS-Net	78.1	90.1	11.5
公共数据集	UNETR^［37］	60.7	45.4	47.8
	U-Net^［11］	57.5	41.5	54.3
	3D U-Net^［36］	59.3	46.3	36.3
	CHSNet^［38］	61.3	45.2	35.2
	MOEL-Net^［39］	58.9	43.4	40.3
	IBGS-Net	63.2	48.7	32.0

图3 不同分割方法结果的可视化

Fig. 3 Visualization of results of different segmentation methods

图4 IAM的可视化

Fig. 4 IAM visualization

表2 消融实验结果对比 (%)

Tab. 2 Comparison of ablation experimental results

实验	IAM	ResSPADE	IGL	Dice	NSD	RVD
A				75.7	84.1	19.2
B	√			76.1	84.7	15.5
C	√	√		76.9	87.3	13.2
D			√	77.2	86.9	14.1
E	√	√	√	78.1	90.1	11.5

图5 不同下采样次数对分割结果的影响

Fig.5 Influence of different downsampling times on segmentation results

图6 β对ICH分割结果的影响

Fig. 6 Influence of β on segmentation results of ICH

图7 β对ICH病变定位的影响

Fig. 7 Influence of β on localization of ICH lesion

参考文献 39

1	VAN ASCH C J J， LUITSE M J A， RINKEL G J E， et al. Incidence， case fatality， and functional outcome of intracerebral haemorrhage over time， according to age， sex， and ethnic origin： a systematic review and meta-analysis［J］. The Lancet Neurology， 2010， 9（2）： 167-176.
2	QURESHI A I， PALESCH Y Y. Antihypertensive Treatment of Acute Cerebral Hemorrhage （ATACH） Ⅱ： design， methods， and rationale ［J］. Neurocritical Care， 2011， 15（3）： 559-576.
3	ABRAMOVA V， CLÈRIGUES A， QUILES A， et al. Hemorrhagic stroke lesion segmentation using a 3D U-Net with squeeze-and-excitation blocks ［J］. Computerized Medical Imaging and Graphics， 2021， 90： No.101908.
4	ISLAM M， SANGHANI P， SEE A A Q， et al. ICHNet： IntraCerebral Hemorrhage （ICH） segmentation using deep learning［C］// Proceedings of the 2018 International MICCAI Brainlesion Workshop， LNCS 11383. Cham： Springer， 2019： 456-463.
5	KOTHARI R U， BROTT T， BRODERICK J P， et al. The ABCs of measuring intracerebral hemorrhage volumes［J］. Stroke， 1996， 27（8）： 1304-1305.
6	WEBB A J S， ULLMAN N L， MORGAN T C， et al. Accuracy of the ABC/2 score for intracerebral hemorrhage： systematic review and analysis of MISTIE， CLEAR-IVH， and CLEAR Ⅲ［J］. Stroke， 2015， 46（9）： 2470-2476.
7	HU Q， QIAN G， AZIZ A， et al. Segmentation of brain from computed tomography head images［C］// Proceedings of the 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway： IEEE， 2005： 3375-3378.
8	MAKSIMOVIC R， STANKOVIC S， MILOVANOVIC D. Computed tomography image analyzer： 3D reconstruction and segmentation applying active contour models — ‘snakes’［J］. International Journal of Medical Informatics， 2000， 58/59： 29-37.
9	RAMTEKE R J， KHACHANE M Y. Automatic medical image classification and abnormality detection using K-nearest neighbour［J］. International Journal of Advanced Computer Research， 2012， 2（6）： 190-196.
10	HSSAYENI M D， CROOCK M S， SALMAN A D， et al. Intracranial hemorrhage segmentation using a deep convolutional model ［J］. Data， 2020， 5（1）： No.14.
11	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［C］// Proceedings of the 2015 International Conference on Medical Image Computing and Computer Assisted Intervention， LNCS 9351. Cham： Springer， 2015： 234-241.
12	CHANG P D， KUOY E， GRINBAND J， et al. Hybrid 3D/2D convolutional neural network for hemorrhage evaluation on head CT［J］. American Journal of Neuroradiology， 2018， 39（9）： 1609-1616.
13	KUANG Z， DENG X， YU L， et al. Ψ-Net： focusing on the border areas of intracerebral hemorrhage on CT images［J］. Computer Methods and Programs in Biomedicine， 2020， 194： No.105546.
14	LI X， LUO G， WANG W， et al. Hematoma expansion context guided intracranial hemorrhage segmentation and uncertainty estimation［J］. IEEE Journal of Biomedical and Health Informatics， 2022， 26（3）： 1140-1151.
15	SCHULZ K， SIXT L， TOMBARI F， et al. Restricting the flow： information bottlenecks for attribution［EB/OL］. ［2024-06-18］..
16	PARK T， LIU M Y， WANG T C， et al. Semantic image synthesis with spatially-adaptive normalization ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 2332-2341.
17	KWON D， AHN J， KIM J， et al. Siamese U-Net with healthy template for accurate segmentation of intracranial hemorrhage［C］// Proceedings of the 2019 International Conference on Medical Image Computing and Computer Assisted Intervention， LNCS 11766. Cham： Springer， 2019： 848-855.
18	TOIKKANEN M， KWON D， LEE M. ReSGAN： intracranial hemorrhage segmentation with residuals of synthetic brain CT scans［C］// Proceedings of the 2021 International Conference on Medical Image Computing and Computer Assisted Intervention， LNCS 12901. Cham： Springer， 2021： 400-409.
19	PIAO Z， GU Y H， JIN H， et al. Intracerebral hemorrhage CT scan image segmentation with HarDNet based transformer［J］. Scientific Reports， 2023， 13： No.7208.
20	NIJIATI M， TUERSUN A， ZHANG Y， et al. A symmetric prior knowledge based deep learning model for intracerebral hemorrhage lesion segmentation［J］. Frontiers in Physiology， 2022， 13： No.977427.
21	KYUNG S， SHIN K， JEONG H， et al. Improved performance and robustness of multi-task representation learning with consistency loss between pretexts for intracranial hemorrhage identification in head CT ［J］. Medical Image Analysis， 2022， 81： No.102489.
22	张鹏，徐曾春，胡平. 融合密集连接与注意机制的颅内出血分割方法［J］. 小型微型计算机系统， 2021， 42（7）： 1458-1463.
	ZHANG P， XU Z C， HU P. Segmentation of intracranial hemorrhage fusing dense connection and attention mechanism［J］. Journal of Chinese Computer Systems， 2021， 42（7）： 1458-1463.
23	ZHOU B， KHOSLA A， LAPEDRIZA A， et al. Learning deep features for discriminative localization［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 2921-2929.
24	SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： visual explanations from deep networks via gradient-based localization［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 618-626.
25	张童禹，李恩慧，李振宇，等. 基于多实例学习及阈值伪标签提取的CT影像颅内出血分割［J］. 中国生物医学工程学报， 2023， 42（6）： 677-686.
	ZHANG T Y， LI E H， LI Z Y， et al. Segmentation of intracranial hemorrhage in CT images based on multi-instance learning and thresholding pseudo-labels extraction［J］. Chinese Journal of Biomedical Engineering， 2023， 42（6）：677-686.
26	YUN S， HAN D， CHUN S， et al. CutMix： regularization strategy to train strong classifiers with localizable features ［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 6022-6031.
27	BABAR S， DAS S. Where to look？： Mining complementary image regions for weakly supervised object localization［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 1009-1018.
28	KIM J， CHOE J， YUN S， et al. Normalization matters in weakly supervised object localization ［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 3407-3416.
29	BANG S， XIE P， LEE H， et al. Explaining a black-box by using a deep variational information bottleneck approach ［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 11396-11404.
30	SMILKOV D， THORAT N， KIM B， et al. SmoothGrad： removing noise by adding noise ［EB/OL］. ［2024-06-18］..
31	KLAMBAUER G， UNTERTHINER T， MAYR A， et al. Self-normalizing neural networks［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 972-981.
32	LI X， WANG K， LIU J， et al. The 2022 intracranial hemorrhage segmentation challenge on Non-Contrast head CT （NCCT）（Mar 2022）. ［EB/OL］. ［2024-05-21］. .
33	LI X， LUO G， WANG K， et al. The state-of-the-art 3D anisotropic intracranial hemorrhage segmentation on non-contrast head CT： the INSTANCE challenge［EB/OL］. ［2024-06-18］..
34	KUO W， HÄNE C， YUH E， et al. Cost-sensitive active learning for intracranial hemorrhage detection［C］// Proceedings of the 2018 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 11072. Cham： Springer， 2018： 715-723.
35	YU N， YU H， LI H， et al. A robust deep learning segmentation method for hematoma volumetric detection in intracerebral hemorrhage［J］. Stroke， 2022， 53（1）： 167-176.
36	ÇIÇEK Ö， ABDULKADIR A， LIENKAMP S S， et al. 3D U-Net： learning dense volumetric segmentation from sparse annotation［C］// Proceedings of the 2016 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 9901. Cham： Springer， 2016： 424-432.
37	HATAMIZADEH A， TANG Y， NATH V， et al. UNETR： transformers for 3D medical image segmentation ［C］// Proceedings of the 2022 IEEE/CVF Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2022： 1748-1758.
38	XU B， FAN Y， LIU J， et al. CHSNet： automatic lesion segmentation network guided by CT image features for acute cerebral hemorrhage［J］. Computers in Biology and Medicine， 2023， 164： No.107334.
39	ZHANG Y， HUANG Y， HU K. Multi-scale object equalization learning network for intracerebral hemorrhage region segmentation［J］. Neural Networks， 2024， 179： No.106507.

[1]	许立君, 黎辉, 刘祖阳, 陈侃松, 马为駽. 基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1294-1302.
[2]	刘雨生, 肖学中. 基于扩散模型微调的高保真图像编辑[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3574-3580.
[3]	周迪, 张自力, 陈佳, 胡新荣, 何儒汉, 张俊. 基于EfficientNetV2和物体上下文表示的胃癌图像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2955-2962.
[4]	杨有, 张汝荟, 许鹏程, 康慷, 翟浩. 面向民国档案印章分割的改进U-Net[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 943-948.
[5]	朱利安, 张鸿. 基于双分支条件生成对抗网络的非均匀图像去雾[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 567-574.
[6]	张志昂, 廖光忠. 基于U-Net的多尺度特征增强视网膜血管分割算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3275-3281.
[7]	林荐壮, 杨文忠, 谭思翔, 周乐鑫, 陈丹妮. 融合滤波增强和反转注意力网络用于息肉分割[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 265-272.
[8]	靳华中, 张修洋, 叶志伟, 张闻其, 夏小鱼. 基于近似U型网络结构的图像去噪模型[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2571-2577.
[9]	徐光柱, 林文杰, 陈莎, 匡婉, 雷帮军, 周军. U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 825-832.
[10]	吴奇文, 王建华, 郑翔, 冯居, 姜洪岩, 王昱博. 基于改进U-Net的水草图像分割方法[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3177-3183.
[11]	黄梨, 卢龙. 基于长距离依赖编码与深度残差U-Net的缺血性卒中病灶分割[J]. 计算机应用, 2021, 41(6): 1820-1827.
[12]	高海军, 曾祥银, 潘大志, 郑伯川. 基于U-Net改进模型的直肠肿瘤分割方法[J]. 计算机应用, 2020, 40(8): 2392-2397.
[13]	石陆魁, 马红祺, 张朝宗, 樊世燕. 基于改进残差结构的肺结节检测方法[J]. 计算机应用, 2020, 40(7): 2110-2116.
[14]	马金林, 魏萌, 马自萍. 基于深度迁移学习的肺结节分割方法[J]. 计算机应用, 2020, 40(7): 2117-2125.
[15]	魏小娜, 邢嘉祺, 王振宇, 王颖珊, 石洁, 赵地, 汪红志. 基于改进U-Net的关节滑膜磁共振图像的分割[J]. 计算机应用, 2020, 40(11): 3340-3345.

信息瓶颈引导的颅内出血分割方法

Information bottleneck-guided intracranial hemorrhage segmentation method

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 39

相关文章 15

编辑推荐

Metrics