文献速递乳腺MR

利用深度卷积神经网络在超快速筛查乳腺MRI中定位对比增强乳腺病灶

Localization of contrast-enhanced breast lesions in ultrafast screening MRI using deep convolutional neural networks.
PubMed 文献 · Eur Radiol · 2023-09-02

回顾性纳入488例女性837次乳腺MRI检查,在TWIST序列最后时间点的MIP图像上标注265个病灶,微调YOLOv5模型并联合LSTM网络减少假阳性;五折交叉验证中YOLOv5x模型在每侧乳腺0.125个假阳性时敏感度为0.95,LSTM减少15.5%假阳性预测,阳性预测值由0.22升至0.25。

要点

  • YOLOv5x在每侧乳腺0.125个假阳性时敏感度0.95,适合筛查场景高灵敏检出。
  • LSTM网络减少15.5%假阳性预测,阳性预测值由0.22升至0.25。
  • 模型在富含正常乳腺的测试集上假阳性预测显著增加,需关注筛查 prevalence 下的表现。

核心结论

  • 微调的YOLOv5x模型可在超快速MRI上以高敏感度检出筛查人群中的乳腺病灶,LSTM网络可进一步减少假阳性预测。

研究设计与样本

  • 回顾性研究,纳入488例女性837次乳腺MRI检查,来自格罗宁根大学医学中心,时间范围为2016年4月至2019年10月。
  • 以TWIST序列最后时间点的MIP图像为输入,YOLOv5模型微调后用五折交叉验证在乳腺层面训练和评估。
  • 金标准为病灶经活检或至少2年随访确认为良性。

关键影像表现/征象

  • 共标注265个病灶,其中良性190个、恶性75个,分布于163侧乳腺(133例女性)。
  • 所有病灶中位大小13.0 mm(范围5.0–110.0 mm),良性病灶中位9.0 mm(范围5.0–81.0 mm),恶性病灶中位22.0 mm(范围6.0–110.0 mm)。
  • 假阳性来源包括乳头、淋巴结、血管和强化腺体组织被误判为病灶。

诊断标准与关键数值

  • YOLOv5x模型在每侧乳腺0.125、0.25、0.5、1个假阳性时敏感度分别为0.95(95%CI 0.85–1.0)、0.97(95%CI 0.91–1.0)、0.98(95%CI 0.93–1.0)、0.99(95%CI 0.96–1.0)。
  • YOLOv5m模型在每侧乳腺0.125、0.25、0.5、1个假阳性时敏感度分别为0.94(95%CI 0.91–0.98)、0.97(95%CI 0.95–1.0)、0.98(95%CI 0.96–1.0)、0.99(95%CI 0.96–1.0)。
  • YOLOv5n模型在每侧乳腺0.125、0.25、0.5、1个假阳性时敏感度分别为0.77(95%CI 0.69–0.86)、0.87(95%CI 0.78–0.94)、0.93(95%CI 0.89–0.98)、0.98(95%CI 0.94–1.0)。
  • YOLOv5x模型在每侧乳腺0.125个假阳性时,3.0 T亚组敏感度0.76(95%CI 0.65–0.84)高于1.5 T亚组0.69(95%CI 0.59–0.83)。
  • LSTM网络减少15.5%的假阳性预测,阳性预测值由0.22升至0.25。

临床应用与阅片要点

  • 该集成系统可辅助放射科医生优先处理可疑检查并支持诊断性工作。
  • 在筛查场景中评估模型时需使用富含正常乳腺的测试集,因高度不平衡测试集下假阳性预测显著增加。
  • 本文作者认为仅用单一模型定位恶性病灶而忽略其他可疑发现是有风险的,专用AI模型可能更有助于候选病灶的恶性鉴定。

局限性

  • 本研究没有独立测试集,而是使用交叉验证说明集成系统的有效性。
  • 由于筛查人群中癌症数量稀少且训练深度学习模型需要大量数据,数据集也纳入了术前MRI扫描以增加癌症数量。
  • 系统需在额外的专用多中心多厂商数据库上进一步评估。
  • 仅部分良性病灶经组织学检查,这反映了放射科医生根据影像结果判断是否需要活检的信心。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2023 Sep 2;34(3):2084–92. doi: 10.1007/s00330-023-10184-3

引言

作为最敏感的乳腺成像方式[1],MRI已被用作高风险人群筛查的补充工具,而单独使用乳腺X线摄影对此类人群并不充分[2, 3]。然而,高成本、低可用性以及缺乏专职放射科医生限制了MRI在中危甚至低危人群中的应用[4]。

已有尝试通过缩短扫描方案来提高乳腺MRI筛查的成本效益[5]。近期,若干创新的简化MRI方案被提出并评估[6–9]。Mann等人研究了使用超快速乳腺MRI作为乳腺MRI筛查独立技术的可行性[10]。一项多阅片者研究表明,这种基于随机轨迹时间分辨血管成像(TWIST)序列的方案表现与完整诊断方案相似,且筛查特异性显著更高[11]。与Kuhl等人提出的方案[9]相比,基于超快速MRI的方案在102秒内产生二十次高空间采集,不仅允许形态学分析,还允许在对比剂流入期间进行动力学分析。近期研究还显示了超快速MRI中早期动态信息的优势[12, 13]。

鉴于大多数筛查MRI无病灶,乳腺病灶的自动检测有潜力提升筛查效率。然而,这要求检测模型具有高度准确性和可靠性。既往研究使用高度富集的数据集开发并测试了病灶检测算法[14–16],其中含有可疑病灶(58.3%至100%)和癌症(5.7%至63.8%)的扫描比例远高于先前报道。根据Kuhl等人进行的一项前瞻性观察性研究[2],共3861例筛查MRI产生了61例癌症、175例BI-RADS 3和171例BI-RADS 4或5的诊断。这产生的癌症率为1.6%,病灶率为9.0%,两者均显著低于上述比例。为确保检测模型的可靠性,在真实世界筛查环境中对其进行测试至关重要。模型开发数据集与实际临床实践之间含有和不含有可疑病灶的扫描比例差异,可能导致病灶检测性能的误导性表现,从而削弱模型在筛查人群中的可靠性。

本研究开发了一种基于深度学习的检测系统,用于识别超快速MRI中的强化病灶。为模拟筛查情况,该检测系统在大多数检查为正常的测试队列中进行了评估。所提出的检测系统旨在通过优先处理MRI扫描和减少放射科医生的工作量来加速筛查流程。

材料与方法

患者

乳腺MRI扫描在格罗宁根大学医学中心进行回顾性收集。该机构当地伦理委员会批准了这项回顾性研究(METc 2018/652),并豁免了知情同意的需要。同一数据集曾用于我们早期的工作,其中发明并测试了一个分类系统[17]。本研究对这些MRI扫描中的病灶进行了精细的边界框标注,以开发检测系统。

具体而言,2016年4月至2019年10月期间在我院连续接受乳腺MRI检查的809名女性中,初始获取了1447次检查。采集方案的详细信息见电子补充材料。随后,若满足以下条件则纳入检查:(1)完整扫描包含TWIST序列;(2)MRI的适应症应为筛查或术前评估;(3)所识别的病灶应已接受活检或至少有2年的随访作为良性金标准。不含TWIST序列或因其他原因(化疗疗效评估、术后随访和植入物检查)进行的乳腺MRI被排除。与既往研究[14]类似,本研究中每位女性的左右乳腺被视为不同的数据点,独立参与训练和验证。

数据预处理与标注

乳腺MRI预处理流程的概览见图1。使用3D-Unet在注射对比剂前采集的T1加权图像上分割乳腺区域,以去除胸壁后方的冗余区域及乳腺周围的伪影[18]。通过缩放和视野对齐将3D掩膜应用于TWIST容积,得到分割容积。随后通过从分割后的增强后容积中减去分割后的增强前容积,生成减影容积。然后对分割后的减影容积应用最大强度投影(MIP)操作生成最大强度投影(MIP)图像。随后将MIP图像分为两半,生成左右乳腺的独立图像。在MIP图像上,使用边界框对病灶进行标注(X.J.,3年经验)。标注过程使用LabelMe完成[19]。病灶位置来源于放射学临床报告,如有疑问由一位经验丰富的乳腺放射科医师(M.D.,10年经验)确认。

图1 图像预处理流程概览。在具有随机轨迹的时间分辨血管成像(TWIST)序列中,将增强前采集(t0)从每次增强后采集(t1 − t14)中减去,生成相应的减影容积(sub1 − sub14)。然后将来自3D-Unet的掩膜与减影容积相乘,以帮助去除冗余背景区域。随后对分割后的减影容积应用最大强度投影(MIP)操作,得到MIP图像 查看原图 ↗

基于YOLOv5的乳腺病灶检测

所提出的用于超快MRI乳腺病灶检测的集成系统由两部分组成:用于病灶检测的YOLO模型和用于假阳性降低的长短期记忆(LSTM)网络。所提出检测方法的流程如图2所示。

YOLO 是一种单阶段、融合全局上下文的架构,能够在不影响预测准确性的情况下实现更快的执行速度 [20]。此外,YOLO 架构允许使用纯阴性图像(不含任何目标对象的图像)作为训练输入,这符合使用正常乳腺图像训练模型以减少筛查环境中假阳性预测的目的。数据预处理中生成的 MIP 图像被用于微调已使用 COCO 数据集预训练的 YOLOv5 模型。本研究选取了三种 YOLOv5 模型(仅有 190 万参数的 v5n、2110 万参数的 v5m 和 8670 万参数的 v5x)进行比较,以研究模型规模对检测性能的影响。为进一步研究磁场强度对模型检测性能的影响,还进行了亚组分析,分别使用 1.5-T 和 3-T 扫描图像训练和测试 YOLOv5 模型。有关模型微调的详细信息见电子补充材料。

在 TWIST 序列中,良性病变的强化通常比恶性病变需要更长时间 [12, 21]。为确保良性病变的可检测性,TWIST 中早期采集的 MIP 图像未参与检测模型的开发。对于每次超快 MRI 检查,仅最后一次采集的 MIP 图像用于 YOLO 模型的训练和验证。

图 2 所提出检测系统的流程 查看原图 ↗

假阳性减少

并非直接从 YOLO 模型推导结果,而是利用 YOLOv5 模型输出中概率高于 th0 的阳性预测位置,在 TWIST 序列中提取片段。在推理过程中,LSTM 网络以每个预测边界框的片段(跨越超快 DCE 序列 14 幅产出 MIP 图像的区域)作为输入。输出为乳腺含有病变的似然评分。随后将 YOLOv5 和 LSTM 网络的预测评分合并以达成最终判断(图 2)。LSTM 模型的结构和训练过程见电子补充材料。

实验

在乳腺水平进行五折交叉验证,以训练和评估每个模型及集成系统。特别地,为避免多次检查患者同一乳腺的训练数据与测试数据之间发生数据重叠,采用基于分组的随机拆分方法,确保同一乳腺不同日期的数据绑定在一起。此外,YOLO 和 LSTM 网络使用相同的数据拆分进行训练,然后整合在一起,以防止整个流程中的数据泄漏。

本分析中带病灶和不带病灶的样本数量不可避免地存在不平衡。为克服这种不平衡,将所有阳性样本(带病灶的乳腺)与等量随机选择的阴性样本(不带病灶的乳腺)合并,建立平衡的开发数据集。其余阴性样本随后被归为独立阴性集,不用于模型训练。然而,除评估使用平衡数据集训练的模型外,在验证时还将独立阴性集合并入测试数据,以评估所提出系统在正常筛查患病率下的性能。比较了包含和不包含独立阴性集时的性能。数据划分和验证集形成的示意图见电子补充材料图S3。

数据分析

采用自由响应操作特征(FROC)分析评估所评价的YOLOv5模型和集成系统的性能。在本研究中,假阳性预测定义为被预测为有病灶的非病灶区域,而假阴性预测定义为深度学习模型未能检测到的病灶。为说明LSTM网络降低假阳性的有效性,还计算了单独YOLO模型和集成系统(YOLO + LSTM)在每侧乳腺0.125、0.25、0.5、1和2个假阳性时的敏感性。同时,以相同方式分析各模型检测恶性病灶的检测能力。数据分析使用Python编程语言中的Scikit-learn 0.22.1和COCO-FROC-analysis 0.2.0软件包进行。

结果

纳入的病灶

本研究共纳入488名女性。纳入女性的平均年龄(n = 488)为48.5岁(范围,27–83岁),带乳腺病灶的女性(n = 133)为52.0岁(范围,27–83岁),带恶性病灶的女性(n = 58)为57.6岁(范围,34–83岁)。5名女性因术前评估指征接受MRI检查,且均为恶性病灶,占恶性病灶女性总数的8.6%,占带病灶女性的3.8%。该流程的流程图见图S4;这些患者的更多详细信息此前已有报道[17]。

从纳入患者中共获得962侧单侧乳腺;14侧乳腺因乳房切除术被排除。对于纳入的乳腺,83.0%(n = 799)报告为无病灶,其中315侧来自1.5-T扫描,484侧来自3.0-T扫描。17%(n = 163)至少有一个病灶,其中7.3%(n = 70)仅含一个病灶,9.7%(n = 93)含多个病灶。共标注265个病灶,71个病灶来自56次1.5-T扫描,194个来自112次3.0-T扫描。所有报告病灶的中位大小为13.0 mm(范围,5.0–110.0 mm),良性病灶(n = 190)为9.0 mm(范围,5.0–81.0 mm),恶性病灶(n = 75)为22.0 mm(范围,6.0–110.0 mm)。病灶的详细信息见表1。

表1 纳入病灶的特征 查看原表 ↗

YOLOv5模型性能

在交叉验证中,微调后的YOLOv5x模型在每侧乳腺0.125、0.25、0.5和1个假阳性时,敏感度分别为0.95(0.85–1.0)、0.97(0.91–1.0)、0.98(0.93–1.0)和0.99(0.96–1.0),而YOLOv5m模型分别为0.94(0.91–0.98)、0.97(0.95–1.0)、0.98(0.96–1.0)和0.99(0.96–1.0),YOLOv5n模型分别为0.77(0.69–0.86)、0.87(0.78–0.94)、0.93(0.89–0.98)和0.98(0.94–1.0)。在每侧乳腺两个假阳性时,所有模型对病灶识别的敏感度均达到1.0。对于不同磁场强度亚组,YOLOv5x模型在3.0 T亚组上的总体敏感度高于1.5 T亚组,在每侧乳腺0.125个假阳性时敏感度分别为0.76(0.65–0.84)和0.69(0.59–0.83)。模型在各亚组上的详细结果见电子补充材料。

对于恶性病灶检测,YOLOv5x模型在每侧乳腺0.125、0.25、0.5和1个假阳性时,敏感度分别为0.96(0.80–1.0)、0.97(0.86–1.0)、0.98(0.90–1.0)和1.0,而YOLOv5m模型分别为0.97(0.90–1.0)、1.0、1.0和1.0,YOLOv5n模型分别为0.94(0.90–1.0)、0.97(0.92–1.0)、0.98(0.92–1.0)和0.98(0.92–1.0)。在每侧乳腺两个假阳性时,所有模型对恶性病灶检测的敏感度均为1.0。YOLOv5x模型的FROC曲线见图3a。

图3 交叉验证期间(a)YOLOv5x模型和(b)集成系统对所有病灶和恶性病灶的自由响应操作特征曲线 查看原图 ↗

使用LSTM减少假阳性

为减少假阳性预测,使用LSTM网络进一步从YOLOv5模型的输出中识别候选病灶。集成系统的性能在交叉验证期间使用与单一YOLO模型相同的数据划分进行评估。集成系统的FROC曲线见图3b。在整合LSTM网络后,集成系统对恶性病灶和所有病灶检测的敏感度基本保持不变(表2)。为证明假阳性减少的效果,表3显示了在交叉验证的每一折中,YOLOv5x模型在有和无LSTM网络时假阳性预测的数量。这些发现是在0.5 th0和0.5 th1阈值设置下获得的。

集成系统最终检测结果的示例见图4。只有概率高于阈值且位置估计正确的检测被认为是真阳性(图4a),而没有任何病灶预测的正常乳腺组织被认为是真阴性(图4b)。其他组织,如乳头、淋巴结、血管和强化实质,被错误预测为病灶的被认为是假阳性。任何遗漏的病灶和位置估计不正确的病灶被认为是假阴性。

表2 各模型在不同每侧乳腺平均假阳性数下对所有病灶和恶性病灶的敏感度 查看原表 ↗
表3 YOLOv5x模型和集成系统在每一折中的性能 查看原表 ↗
图4 集成系统检测结果的示例:(a) 真阳性、(b) 真阴性、(c) 假阳性和(d) 假阴性。c中预测错误的组织(从左至右):乳头、乳头和淋巴结、淋巴结、乳头。d中假阴性预测(从左至右):病灶、腺病、活检证实的浸润性导管癌,以及活检证实的腺癌伴定位估计错误(黄色框表示真实标注;红色框表示集成系统的预测结果。) 查看原图 ↗

讨论

在本研究中,我们开发了一种基于深度学习的乳腺病灶自动检测方法,用于乳腺癌筛查。与既往乳腺MRI病灶检测研究不同,我们重点关注模型在筛查患病率下的性能。模型使用主要包含正常扫描而非仅包含有病灶扫描的测试集进行评估。所提出的集成系统灵敏度与既往研究相当,同时产生的假阳性更少。

为解决乳腺病灶检测中假阳性率高的问题,采用了一个长短期记忆(LSTM)网络,旨在识别对比剂流入过程中不同的动态强化模式。以YOLOv5x模型为例,LSTM网络可帮助消除15%的假阳性预测。该LSTM网络基于YOLOv5模型的输出运行,有可能将正确预测的病灶误分类,从而导致灵敏度下降。然而,尽管LSTM网络引入了少量误分类,集成系统在交叉验证中总体上仍保持了较高的灵敏度,并未观察到所担心的灵敏度显著下降(图3b和表3)。

这是对我们既往工作的后续研究,此前发明了一种仅使用TWIST序列来识别无病灶扫描的分类系统[17]。然而,既往研究主要关注每侧乳腺的原发肿瘤,未考虑微小发现。我们并未生成分类预测,而是对本队列中所有病灶进行了边界框的精细标注,并训练检测方法定位乳腺内病灶,以提供更精确和可视化的结果。与既往工作中侧重于排除正常扫描以减少阅片列表的分类系统相比,本研究开发的检测模型提供更直观的视觉辅助,使放射科医师能够直接关注可疑乳腺病灶。

YOLOv5模型的规模对检测性能有影响。本研究评估了三种不同的YOLOv5模型。与YOLOv5n模型达到的0.77灵敏度相比,YOLOv5m和YOLOv5x均达到了更高的灵敏度(0.94和0.95),每侧乳腺0.125个假阳性。随着假阳性率升高,这一优势逐渐消失。我们还研究了磁场强度对检测模型性能的影响。YOLOv5x模型在3.0 T亚组上的总体灵敏度高于1.5 T亚组。然而,尽管模型表现不佳(可能由各亚组阳性训练样本量不足所致),仍难以得出更强磁场有利于模型性能的结论。收集更多数据将使我们能够进行全面的亚组分析。

该集成系统旨在检测所有强化乳腺肿块(> 5 mm),而不仅仅是恶性肿块。此前有几项研究开发并测试了用于DCE-MRI癌症检测的模型,并取得了成功[22, 23]。然而,恶性肿瘤的诊断在很大程度上依赖于额外的MRI序列甚至活检。使用单一模型仅定位和识别恶性肿瘤而忽略其他可疑发现是有风险且不合理的,尤其是对于筛查目的而言,专用的人工智能(AI)模型可能更有助于对候选病灶进行恶性肿瘤识别[24]。

需要牢记的一点是,超快速MRI尚未在真实筛查队列中进行评估[25]。比较超快速MRI与传统MRI有效性的研究也主要是涉及MRI中有病灶患者的回顾性研究。同时,超快速MRI技术尚未标准化;并行成像、视图共享和压缩感知均被用于获得更高的时间分辨率,但都被统称为超快速MRI [26, 27]。

本研究存在若干局限性。其中一个局限性是没有独立的测试集,而是使用交叉验证来说明集成系统的有效性。同时,由于筛查人群中癌症数量稀少以及训练深度学习模型需要大量数据,术前MRI扫描也被纳入数据集以增加癌症数量。因此,该系统应在更多专门的多中心多厂商数据库中进一步评估。另一个局限性是仅部分良性病灶接受了组织学检查;这反映了放射科医生对其根据影像结果判断是否需要活检能力的信心。

本研究证明了基于深度学习的方法在超快速乳腺MRI中检测候选发现的能力。这种所提出的全自动化方法可能有助于在乳腺癌筛查环境中检测乳腺病灶,从而可能减轻放射科医生的工作量。这反过来将使乳腺MRI筛查能够应用于更大的人群,从而实现更好的预防性医疗保健服务。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 279 kb)

引用

  1. Jing X, Dorrius MD, Zheng S, et al. Localization of contrast-enhanced breast lesions in ultrafast screening MRI using deep convolutional neural networks. Eur Radiol. 2023. PMID: 37658141. doi:10.1007/s00330-023-10184-3
  2. 全文:PMC10873226(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10873226/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。