近年來國人腦中風發生率與死亡率居高不下，一直高居國人十大死因前三位，顯示腦中風為國人健康的重大威脅 (1)。腦中風是由於腦部因供血受阻或出血而迅速發展的腦功能損失，臨床上，大多數腦中風患者為缺血性中風，且普遍具有腦部血管梗塞。醫療上通常用來偵測腦梗塞的方法可分為二類：腦部電腦斷層掃描 (Computed tomography)與磁振造影(Magnetic resonance imaging, MRI)。MRI的訊號係來自於腦中水分子氫原子核的共振，因此，當腦梗塞引起缺血時，腦組織水分子發生變化，MRI即可早期偵測出訊號強度的改變，藉以用於腦梗塞的偵測與後續的治療。目前醫院使用軟體輔助之半自動偵測急性腦梗塞區域分割法，其處理與分析耗時過久，且容易產生不同量測者(醫生)判斷之偏差。過去亦有相關研究提出電腦自動分割法 (2-7)，但由於雜訊、訊號重疊、部分容積效應(Partial volume effect)以及因磁場的不均勻性產生之偏差關係，而難以準確的偵測腦梗塞區域。因此，需要一種自動偵測腦梗塞區域的方法，目的在於減少判斷之偏差，並可快速且準確的偵測腦梗塞區域，尤其以急性腦梗塞更是需要快速、即時及準確之偵測方法。

我們藉助模糊分群(Fuzzy C-means clustering)及使用MRI影像中擴散權重影像(Diffusion-weighted imaging, DWI)與表觀擴散係數(Apparent diffusion coefficient, ADC)圖譜之直方圖(Histogram)特性，發展新穎的分割腦梗塞區域演算法1(8)。模糊分群為一種非監督式(unsupervised)的分類方法，其依照資料的分布特性，將性質相似的資料分成若干族群，再針對不同的族群資料加以分析，每一資料點允許歸屬於不同的族群，只是隸屬度不同。換言之，資料點將不再絕對地屬於任何族群，而是以一個介於0~1之間的數字來表示資料點隸屬於某個族群的程度。直方圖可觀察數據分佈的特徵，以標準化DWI像素強度直方圖之峰值Ipeak與受過訓練專家之標示腦梗塞區域的最小標準化DWI像素強度之間具有一特定數值，且所有受試者之特定數值均位於一範圍內，故可用以作為區分正常腦組織區域與腦梗塞區域的基準，即DWI像素強度進行標準化，其標準化像素強度具有一分佈峰值，且分佈峰值之標準化像素強度為Ipeak；決定Ipeak+特定數值為門檻值；以及選擇標準化像素強度大於門檻值之像素，該被選擇之像素即為候選腦梗塞區域。值得注意的是，此特定數值可依據不同使用者及受試者做調整，故使用本演算法前先進行校正，以得到最佳之偵測效果。

以受過訓練專家習用之人為判斷半自動腦梗塞區域分割法做為標準(Gold standard)，以相似性指數(Similarity index, SI)比較半自動與全自動分割演算法偵測腦梗塞區域的相關程度，並以敏感性(Sensitivity)與特異性(Specificity)判斷使用全自動演算法偵測腦梗塞區域的準確度，提出之演算法的腦梗塞偵測結果與習用之半自動分割方法的標準偵測結果之間的一致性很高，其組內相關係數為0.991，SI平均值為89.933±6.460%，敏感性平均值為88.036±12.117%，特異性平均值為99.992±0.024%。相較於過去提出之自動分割法，可更準確地偵測出腦梗塞區域，且與專家使用之半自動分割法間具有良好的相似性指數。

其關鍵在於：

1. 於模糊分群前進行預篩選，除去像素強度小於等於Ipeak之像素，以提高模糊分群之效率，並減少後續步驟之運算量，可提升偵測的準確性。
2. 決定最佳模糊分群的數目。
3. 可透過對訓練集統計分析產生合適的門檻值，使其可適用於所有情形。
4. 除去具有低像素強度之候選像素群之偽陽性像素標記。
5. 除去具有微弱邊緣之候選像素標記，通常偽陽性像素標記具有較腦梗塞區域微弱之邊緣特性。
6. 配合ADC圖譜除去因磁場不均勻性而產生之偽陽性像素標記偏差。

此開發之全自動偵測腦梗塞區域的演算法利用模糊分群及DWI影像與ADC圖譜之像素強度直方圖的特性，具有良好的SI與半自動方法，可快速、即時及準確地偵測腦中風患者之腦梗塞區域。我們未來的研究將整合開發同時存在腦梗塞與白質病變(White matter hyperintensities)區域的白質病變區域識別演算法，由於腦梗塞區域於Fluid Attenuation Inversion Recovery (FLAIR)影像中也具有與白質病變高強度區域相近的像素強度，單純依靠FLAIR影像難以明確分別辨識白質病變高強度區域與腦梗塞區域，容易產生混淆，尤其當兩者區域重疊時，則更加提升識別的困難度。

參考文獻

1. S. C. Smith Jr., “Reducing the global burden of ischemic heart disease and stroke: a challenge for the cardiovascular community and the United Nations,” Circulation. 2011;24:278–79.
2. K.N. Bhanu Prakash, V. Gupta, H. Jianbo, and W. L. Nowinski. Automatic processing of diffusion-weighted ischemic stroke images based on divergence measures: slice and hemisphere identification, and stroke region segmentation. International Journal of Computer Assisted Radiology and Surgery. 2008;3:559–70.
3. W. Li, J. Tian, E. Li, and J. Dai, “Robust unsupervised segmentation of infarct lesion from diffusion tensor MR images using multiscale statistical classification and partial volume voxel reclassification,” NeuroImage. 2014:23:1507–18.
4. K.BhanuPrakash, V. Gupta,M. Bilello, N. J. Beauchamp, and W. L. Nowinski. Identification, segmentation, and image property study of acute infarcts in diffusion-weighted images by using a probabilistic neural network and adaptive gaussian mixture mode. Academic Radiology. 2006;13:1474–84.
5. N. Hevia-Montiel, J. R. Jimenez-Alaniz, V. Medina-Banuelos et al. Robust nonparametric segmentation of infarct lesion from diffusion-weighted MRimages. in Proceedings of the IEEE Engineering in Medicine and Biology Society. 2007: 2102-5.
6. V. Gupta, B. Prakash, andW. L.Nowinski. Automatic and rapid identification of infarct slices and hemisphere in DWI scans. Academic Radiology. 2008;15:24–39..
7. S. Shen, A. J. Szameitat, and A. Sterr. Detection of infarct lesions from single MRI modality using inconsistency between voxel intensity and spatial location—a 3-D automatic approach. IEEE Transactions on Information Technology in Biomedicine. 2008;12:532–40.
8. Tsai JZ, Peng SJ, Chen YW, Wang KW, Wu HK, Lin YY, Lee YY, Chen CJ, Lin HJ, Smith EE, Yeh PS, Hsin YL. Automatic detection and quantification of acute cerebral infarct by fuzzy clustering and histographic characterization on diffusion weighted mr imaging and apparent diffusion coefficient map. Biomed Res Int. 2014;2014:963032

---

對於此文章如有任何問題或指教，歡迎來信至學會，編輯部後續會將您的意見刊載在下一期會訊!

---