基于深度學(xué)習(xí)在T2Flair圖像分割腦膠質(zhì)瘤病灶的研究

李 靜,孫靜濤*,王可欣,張耀峰,李世佳,王霄英

(1.唐山市婦幼保健院 放射科,河北 唐山063000;2.首都醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院,北京100069;3.北京賽邁特銳醫(yī)學(xué)科技有限公司,北京100069;4.北京大學(xué)第一醫(yī)院 醫(yī)學(xué)影像科,北京100034)

腦膠質(zhì)瘤是最常見(jiàn)的中樞神經(jīng)系統(tǒng)(CNS)原發(fā)性腫瘤,占原發(fā)性CNS腫瘤的32%,占CNS惡性腫瘤的81%,腦膠質(zhì)瘤年平均發(fā)病率為3.19/10萬(wàn)[1]。世界衛(wèi)生組織(WHO)將腦膠質(zhì)瘤分為低級(jí)別膠質(zhì)細(xì)胞瘤( LGGs,I級(jí)或Ⅱ級(jí))和高級(jí)別膠質(zhì)細(xì)胞瘤(HGGs,Ⅲ級(jí)或Ⅳ級(jí))[2],其中30%是LGGs[3-4],盡管預(yù)后相對(duì)良好,但幾乎所有LGGs最終都會(huì)發(fā)生惡性轉(zhuǎn)化發(fā)展為HGGs,導(dǎo)致高發(fā)病率和高死亡率[5]。腦膠質(zhì)瘤還可以引起一些并發(fā)癥,如顱內(nèi)壓升高、腦水腫、腦疝和精神疾病等[6]。磁共振成像(MRI)作為一種非侵入式工具,是診斷和監(jiān)測(cè)CNS惡性腫瘤的首選成像方法[7]。常規(guī)MRI序列如T1WI、T2WI、T2液體衰減反轉(zhuǎn)恢復(fù)序列(T2Flair)和T1對(duì)比增強(qiáng)(T1-CE)是腦膠質(zhì)瘤檢查的常規(guī)方案[8],在這些序列中,T2Flair是評(píng)價(jià)腦膠質(zhì)瘤主要成像序列之一,其在浸潤(rùn)的腫瘤邊緣與正常腦組織間具有最佳對(duì)比[9],并可以在非強(qiáng)化狀態(tài)下捕捉一些特征,對(duì)腫瘤表型系統(tǒng)地量化[10]。

近年來(lái),計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)[11]已經(jīng)應(yīng)用于醫(yī)學(xué)成像。圖像分割是圖像處理技術(shù)的基本步驟,可以手動(dòng)、半自動(dòng)或自動(dòng)執(zhí)行。腦膠質(zhì)瘤的自動(dòng)分割將使醫(yī)生能夠更早地發(fā)現(xiàn)腫瘤的生長(zhǎng)情況,是準(zhǔn)確評(píng)估和監(jiān)測(cè)腫瘤反應(yīng)的必要工具,對(duì)診斷、分期、放療計(jì)劃、手術(shù)方案和治療評(píng)估有重要影響[12]。本研究的目標(biāo)是研究深度學(xué)習(xí)方法訓(xùn)練模型在顱腦T2Flair圖像中自動(dòng)分割腦膠質(zhì)瘤的可行性,為腦膠質(zhì)瘤將來(lái)的智能診斷做出初步探索。

1 材料與方法

1.1 一般資料

回顧性納入影像歸檔和通信系統(tǒng)(PACS)中2015年3月至2019年9月經(jīng)病理證實(shí)的腦膠質(zhì)瘤患者81例,均進(jìn)行了T2Flair檢查,其中男44例,女37例,年齡7～78歲,平均(48.26±14.66)歲。根據(jù)WHO對(duì)神經(jīng)上皮性腫瘤的分類(lèi)[2],對(duì)腫瘤進(jìn)行了分級(jí),其中24例患者為Ⅱ級(jí)(12例少突膠質(zhì)細(xì)胞瘤、4例星形細(xì)胞瘤、4例彌漫性星形細(xì)胞瘤、1例多形性黃色星形細(xì)胞瘤和3例節(jié)細(xì)胞膠質(zhì)瘤),31例為Ⅲ級(jí)(13例為間變型少突膠質(zhì)細(xì)胞瘤、11例為間變型星形細(xì)胞瘤、4例為間變型室管膜瘤和3例為間變型多形性黃色星形細(xì)胞瘤),26例為Ⅳ級(jí)膠質(zhì)母細(xì)胞瘤(GBM)?；颊吲R床表現(xiàn)為頭痛、頭暈、言語(yǔ)不利和四肢無(wú)力等。納入標(biāo)準(zhǔn)：(1) 經(jīng)手術(shù)病理確診;(2) MRI檢查前未做顱內(nèi)減壓、化療或者放射治療。排除標(biāo)準(zhǔn)：MRI圖像質(zhì)量不能滿(mǎn)足評(píng)價(jià)要求(如運(yùn)動(dòng)或其他偽影等)。最終獲得81位患者的T2Flair用于訓(xùn)練深度學(xué)習(xí)模型(圖1)。本項(xiàng)目為回顧性研究,獲得了倫理審查委員會(huì)批準(zhǔn)。

圖1 本實(shí)驗(yàn)?zāi)Ｐ陀?xùn)練及臨床場(chǎng)景應(yīng)用的流程圖

1.2 MRI掃描參數(shù)

采用3.0T(飛利浦,荷蘭)MRI成像系統(tǒng)和頭顱8通道正交線(xiàn)圈。T2Flair序列掃描參數(shù)：重復(fù)時(shí)間(TR)=8000～9000 ms,回波時(shí)間(TE)=125～140 ms,顯示野(FOV)=230 mm×219 mm,層厚=6 mm,層間距=6 mm,矩陣=232×181。所有MRI圖像數(shù)據(jù)均來(lái)自同一臺(tái)MRI機(jī)。

1.3 數(shù)據(jù)標(biāo)注

將T2Flair圖像導(dǎo)入數(shù)據(jù)管理平臺(tái),由DICOM格式轉(zhuǎn)換為Nifty格式。由一位影像醫(yī)生(閱片經(jīng)驗(yàn)9年)使用ITK-SNAP軟件(Version 3.6.0,http：//www.itksnap.org/)逐層標(biāo)注T2Flair圖像上的腦膠質(zhì)瘤。由另一名具有15年閱片經(jīng)驗(yàn)的影像專(zhuān)家進(jìn)行審核。以手工標(biāo)注的標(biāo)簽作為評(píng)價(jià)模型分割性能的評(píng)價(jià)標(biāo)準(zhǔn)(圖2)。

圖2 標(biāo)注腦膠質(zhì)瘤區(qū)域

1.3.1模型訓(xùn)練 訓(xùn)練過(guò)程在GPU NVIDIA Tesla P100 16G上進(jìn)行,軟件環(huán)境包括Python3.6、Pytorch0.4、Opencv、Numpy 和Simple ITK。使用3D U-Net深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練腦膠質(zhì)瘤分割模型,使用Adam作為訓(xùn)練優(yōu)化器。

將81例數(shù)據(jù)按照8∶1∶1的比例隨機(jī)分為訓(xùn)練集(n=63)、調(diào)優(yōu)集(n=9)和測(cè)試集(n=9)。模型訓(xùn)練時(shí)每批次輸入數(shù)據(jù)量(batch size)設(shè)定為10,學(xué)習(xí)率(learning rate)為0.0001,模型迭代次數(shù)為300個(gè)周期(epoch)。

1.3.2模型評(píng)價(jià) 以Dice相似系數(shù)(DSC)對(duì)測(cè)試集數(shù)據(jù)的分割性能進(jìn)行定量評(píng)估?；隗w素自動(dòng)計(jì)算腦膠質(zhì)瘤手工標(biāo)注體積和模型預(yù)測(cè)體積,將兩者進(jìn)行比較,絕對(duì)誤差率計(jì)算方法為：(手工標(biāo)注體積-模型預(yù)測(cè)體積)/手工標(biāo)注體積的絕對(duì)值。

1.4 統(tǒng)計(jì)分析

應(yīng)用SPSS 23.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。應(yīng)用Kolmogorov Smirnov法進(jìn)行正態(tài)性檢驗(yàn),符合正態(tài)分布的計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差表示,不符合正態(tài)分布的連續(xù)變量以中位數(shù)表示。應(yīng)用卡方檢驗(yàn)比較訓(xùn)練集,調(diào)優(yōu)集和測(cè)試集之間的性別組成,方差分析用于比較各數(shù)據(jù)集之間的年齡差異。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 數(shù)據(jù)分布

訓(xùn)練集、調(diào)優(yōu)集及測(cè)試集之間的患者年齡(均符合正態(tài)分布)和性別的差異無(wú)統(tǒng)計(jì)學(xué)意義(F=0.85,P=0.43和χ2=0.40,P=0.82),見(jiàn)表1。

表1 患者臨床特征及分布

2.2 模型分割性能

測(cè)試集中模型預(yù)測(cè)的DSC值為0.74～0.94,中位數(shù)為0.88(0.84,0.90)。醫(yī)生標(biāo)注腦膠質(zhì)瘤的體積為32.7～168.1 cm3,中位數(shù)為146.0(91.7,162.0) cm3,模型預(yù)測(cè)腦膠質(zhì)瘤體積為35.8～170.9 cm3,中位數(shù)為113.0(93.7,134.0) cm3,其絕對(duì)誤差率為0.00～0.23,中位數(shù)為0.16(0.07,0.19)(圖3)。

圖3 模型分割腦膠質(zhì)瘤的結(jié)果

主觀評(píng)價(jià)可見(jiàn)腫瘤主要區(qū)域均可被預(yù)測(cè),分割效果基本滿(mǎn)意。但部分腫瘤邊緣稍有不一致,表現(xiàn)為：模型對(duì)病灶周?chē)咝盘?hào)水腫帶基本可以識(shí)別,對(duì)于水腫帶邊緣識(shí)別欠佳(圖3a);對(duì)于病灶內(nèi)囊變壞死區(qū)識(shí)別欠佳(圖3b)。

3 討論

在MRI圖像上準(zhǔn)確地進(jìn)行腫瘤分割是通過(guò)計(jì)算方法了解腫瘤生物學(xué)的第一步[13]。腦膠質(zhì)瘤由于腦組織結(jié)構(gòu)復(fù)雜、病灶位置、形狀、大小各異、信號(hào)強(qiáng)度不均勻,直接從MRI圖像中分割腦膠質(zhì)瘤是具有挑戰(zhàn)性的任務(wù),并且相鄰骨骼、血管或模糊的邊緣也大大增加了分割的難度,人工分割病灶耗時(shí)耗力,并且受到很多主觀因素的影響。基于計(jì)算機(jī)輔助的自動(dòng)分割為腦膠質(zhì)瘤的診斷、治療及效果評(píng)估提供了一個(gè)穩(wěn)定的解決方案,是減少準(zhǔn)確檢測(cè)、定位和描繪腫瘤區(qū)域所需時(shí)間的有效工具。BI等[14]認(rèn)為人工智能可以將腦腫瘤的術(shù)前分類(lèi)細(xì)化到專(zhuān)家的水平之上。

傳統(tǒng)圖像分割技術(shù)包括：閾值分割、基于邊緣、區(qū)域的分割和模糊聚類(lèi)法等,而以深度學(xué)習(xí)為代表的腦腫瘤圖像分割法現(xiàn)已成為主流的全自動(dòng)分割方法。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種強(qiáng)有力的圖像識(shí)別和預(yù)測(cè)方法,在所有的深度學(xué)習(xí)方法和技術(shù)中,2D和3D CNN在圖像分割、分類(lèi)和患者生存時(shí)間的預(yù)測(cè)方面都有很好的表現(xiàn)[15]。本研究中采用3D U-Net深度學(xué)習(xí)模型,測(cè)試集中模型預(yù)測(cè)的DSC值為0.74～0.94,中位數(shù)為0.88(0.84,0.90),與國(guó)內(nèi)外研究結(jié)果相似[16-17],主觀評(píng)價(jià)分割結(jié)果也基本滿(mǎn)意。本研究中醫(yī)生標(biāo)注腦膠質(zhì)瘤的體積為32.7～168.1 cm3,中位數(shù)為146.0(91.7,162.0) cm3,模型預(yù)測(cè)腦膠質(zhì)瘤體積為35.8～170.9 cm3,中位數(shù)為113.0(93.7,134.0) cm3,其誤差率為0.00～0.23,中位數(shù)為0.16(0.07,0.19)。模型預(yù)測(cè)對(duì)腫瘤的實(shí)體部分標(biāo)注準(zhǔn)確,與醫(yī)生標(biāo)注的差異主要在于水腫的邊緣、水樣信號(hào)的囊變壞死區(qū)、跨中線(xiàn)結(jié)構(gòu)非主病灶的一側(cè)以及被病灶包繞的血管的識(shí)別上。多項(xiàng)深度學(xué)習(xí)的研究結(jié)果表明,在模型預(yù)測(cè)準(zhǔn)確的基礎(chǔ)上,AI模型對(duì)病灶分割后體積測(cè)量的準(zhǔn)確性很高[18-19]。模型測(cè)量結(jié)果自動(dòng)填寫(xiě)入結(jié)構(gòu)化報(bào)告中,不僅能提高工作效率,而且可以提高測(cè)量的一致性,對(duì)腫瘤負(fù)荷評(píng)估和治療后隨訪(fǎng)提供有益的幫助。

本研究的局限性：回顧性研究且相對(duì)較小的數(shù)據(jù)集,今后收集較大的樣本量使得性能提高;本研究中只分割整體腫瘤,今后研究中可以分割不同的腫瘤組織,如增強(qiáng)圖像上腫瘤的強(qiáng)化區(qū)域和非強(qiáng)化區(qū)域、水腫和壞死等;本研究只針對(duì)T2Flair一個(gè)序列進(jìn)行腦膠質(zhì)瘤的分割,今后應(yīng)進(jìn)行多模態(tài)MRI序列的分割,并將U-Net的全自動(dòng)分割用于1 mm層厚的eT1W-3D-TFE-ref序列圖像,對(duì)腦膠質(zhì)瘤進(jìn)行更精準(zhǔn)的分割。

總之,本研究基于3D U-Net訓(xùn)練的腦膠質(zhì)瘤病灶分割模型具有較高的性能,同時(shí)也可為后續(xù)腦膠質(zhì)瘤全自動(dòng)檢出奠定基礎(chǔ)。