文献速递神经儿科影像MR

基于深度学习的小儿局灶性皮质发育不良II型术前MRI病灶自动分割:一种可靠方法

Deep learning-based automated lesion segmentation on pediatric focal cortical dysplasia II preoperative MRI: a reliable approach.
PubMed 文献 · Insights Imaging · 2024-03-13

本研究回顾性纳入65例病理证实的FCD II患儿,采用3D全分辨率nnU-Net在3D T1-MPRAGE上自动分割病灶,测试集最佳模型平均DSC为0.57、平均敏感度为0.73,作者认为该先导研究证实自动分割可获得可靠结果。

要点

  • 3D全分辨率nnU-Net仅用3D T1-MPRAGE即可自动分割儿童FCD II病灶,测试集平均DSC 0.57、敏感度0.73。
  • 病灶金标准为术后病理证实的切除区,由两位神经放射医师手动勾画并由第三位高年资医师仲裁分歧。
  • IIb型病灶检测表现优于IIa型,但两组间DSC与敏感度差异未达统计学显著。

核心结论

  • 作者认为该先导研究证实3D全分辨率nnU-Net能自动分割FCD病灶并获得可靠结果,为FCD病灶检测提供了新途径。

研究设计与样本

  • 回顾性研究,纳入2016年1月至2023年1月在深圳儿童医院住院、病理证实为FCD II的难治性癫痫患儿65例(男36例、女29例)。
  • 手术时平均年龄6.38岁(SD 4.77),采用3.0-T扫描仪(Skyra,Siemens,Germany)采集3D T1-MPRAGE,TR 2000 ms、TE 2.4 ms、层厚1 mm、层间距0、层数176、矩阵256×256。
  • 以病理证实的切除区为金标准,由两位神经放射医师用ITK-SNAP 3.8.0协作手动勾画病灶掩膜,分歧由第三位高年资儿科神经放射医师仲裁。
  • 数据分为训练集50例(经Volumentations 3D增强至200例)和测试集15例,采用五折交叉验证训练nnU-Net默认参数的3D架构。

关键影像表现/征象

  • FCD II典型MRI征象包括皮质增厚、灰白质分界模糊、经室管膜征(transmantle sign)及灰白质信号强度改变。
  • 图1示12岁男性FCD IIa左侧中央前回局限性皮质增厚伴灰白质边界模糊,15岁男性FCD IIb左侧顶叶FLAIR高信号病灶延伸至侧脑室(经室管膜征)。

诊断标准与关键数值

  • 以体素为单位计算自动分割与手动分割的DSC及敏感度,敏感度反映金标准中存在的体素被自动分割纳入的概率。
  • 测试集最佳模型(Model_3)平均DSC为0.57、平均敏感度为0.73,体素水平检测敏感度为0.73。

临床应用与阅片要点

  • 作者认为体素水平的评估指标有利于病灶检测和临床决策,全自动模型可处理3D T1-MPRAGE数据并分割FCD II病灶。
  • 作者指出简化图像处理可促进深度学习模型在临床实践中落地,病理证实的病灶掩膜可增强AI模型的临床可信度。

局限性

  • 作者指出研究存在单中心设计和数据增强技术应用相关的固有局限。
  • 研究仅针对FCD II亚型,FCD I数据集将纳入未来研究以增强模型临床适用性。
  • IIb型病灶检测表现优于IIa型,但两组间DSC与敏感度差异未达统计学显著。
  • 因缺乏独立外部验证数据集,不能排除模型过拟合可能,这些问题需在今后工作中进一步探讨。
全文中译11 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:Insights Imaging. 2024 Mar 13;15:71. doi: 10.1186/s13244-024-01635-6

引言

局灶性皮质发育不良(FCD)被定义为由神经细胞增殖、迁移和分化障碍所致的局限性皮质发育畸形[1]。它是儿童难治性癫痫最常见的病因,占30%以上[2]。2011年,国际抗癫痫联盟(ILAE)根据组织病理学特征将FCD分为三种类型。在接受手术治疗的患者中,约29%–39%的FCD患者为II型[3]。药物难治性局灶性癫痫的最终治疗策略是手术切除。其疗效日益令人鼓舞,70%的患者可达无发作[4]。

准确的术前病灶定位是影响预后的关键因素[5]。三维高分辨率结构MRI已成为必需检查。详细的MRI征象包括皮质增厚、灰白质分界不清、经脑室征以及灰质和白质信号强度改变[6]。FCD II型具有典型的MRI特征(示例见图1)。通常,经验丰富的神经影像科医师能够作出正确诊断并准确描绘整个病灶。然而,现实情况是,非常轻微的异常仅表现为细微的MRI信号改变,超出了人眼检测的局限性。这种差异是术后癫痫复发的主要原因[6]。

人工智能已进入新时代,科学家们投入了大量精力来改进FCD病灶的检测,建立了很多计算机辅助方法[7]。一些半自动计算后处理方法,如基于体素的形态学分析(VBM)[8]和基于表面的形态学分析(SBM)[9],使用统计方法寻找与正常对照不同的大脑区域。Martin等[8]展示了不同VBM方法在癫痫影像学中的优势和局限性,发现基于T2-FLAIR的VBM具有最佳特异性,而junction map具有最佳敏感性。遗憾的是,其MRI阴性患者中仅有5%获得了组织病理学证实的FCD结果,这意味着模型性能在FCD队列中的可靠性确实有待提高。

此外,卷积神经网络的最新进展正处于图像检测和分割任务的前沿[10]。为分割设计的神经网络架构,如U-Nets,在相关领域取得了显著成就,尤其是放射学[11]和病理学[12]。这些算法能够实现自动最优特征提取,为学习比任何基于人工特征提取的方法更本质的特征铺平了道路[13]。基于机器学习(ML)和深度学习(DL)的新方法也显著影响了MRI阴性局灶性癫痫中FCD自动检测领域[14–17]。

将计算机视觉工具转化为临床应用仍存在若干挑战。首先,MRI扫描仪、序列和场强的差异所导致的异质性可能影响形态学和强度特征值。其次,预测病灶簇的标准和假阳性的过滤标准不一致[9, 14],这阻碍了形态学测量的广泛使用。第三,病灶检测输出的不同水平(体素级、顶点级、病灶级或患者级)限制了模型评估和比较。最后,使用标准脑模板会使病灶变形,归一化处理也限制了异常脑区的边界。

为解决上述问题,我们采用一种全自动方法进行病灶检测和分割,仅需最少的输入,即常规临床FCD II术前3D T1加权磁化准备快速梯度回波(MPRAGE)图像。我们提出了一种3D全分辨率nnU-Net架构,其优势在于将U-Net架构与数据预处理技术相结合,以提高效率并简化应用[18]。借助体素级病灶检测输出,我们的网络可以协助癫痫外科医生实施可见且有效的术前评估。

图1 FCD II的代表性结构神经影像学表现。A1–D1 一名诊断为FCD IIa的12岁男性患者的影像学和组织病理学数据。术前3D T1-MPRAGE成像显示左侧中央前回局部皮质增厚及灰白质边界模糊(圈出)。A2–D2 一名诊断为FCD IIb的15岁男性患者的影像学和组织病理学数据。术前FLAIR成像显示左侧顶叶有一高信号病灶延伸至侧脑室(经脑室征,圈出) 查看原图 ↗

方法

患者

对经病理诊断为FCD II的药物难治性癫痫患者的临床和影像学资料进行回顾性回顾和分析。所有患者均来自深圳市儿童医院,该院是一家三级癫痫中心,也是中国南方唯一的儿科中心。这些患者于2016年1月至2023年1月期间住院。根据《临床诊疗指南:癫痫病分册(2015年修订版)》,药物难治性癫痫定义如下:药物难治性癫痫是指经两种或两种以上抗癫痫药物足量、足疗程合理治疗后,癫痫发作仍不能完全控制。纳入标准如下:(1)患者接受癫痫手术时的年龄在2至18岁之间;(2)基线临床资料可获取且完整;(3)术前和术后脑三维高分辨率MRI数据均已采集。排除标准为术前MRI图像不合格或合并其他发育畸形(如结节性硬化症、半球发育不良和室周结节性异位)。最终纳入65例患者进入本研究。本研究经当地机构审查委员会批准。图2显示了患者选择的工作流程。

图2 患者选择流程图 查看原图 ↗

图像采集与标注

所有患者的MRI数据均在术前使用3.0-T扫描仪(Skyra,西门子,德国)采集。3D T1-MPRAGE [19]参数如下:TR = 2000 ms,TE = 2.4 ms,层厚 = 1 mm,层间距 = 0,层数 = 176,矩阵大小 = 256 × 256。

参考斯坦福人工智能实验室在相对较小数据集上的成功经验,在训练深度学习模型之前采用了数据增强的旋转技术[20]。训练数据集使用一种通过名为Volumentations 3D的合适函数类定义的增强技术进行扩充,该技术在Python中实现,可通过https://github.com/ZFTurbo/volumentations获取。数据集被分为训练集和测试集,分别包含50例和15例。使用数据增强技术后,训练样本数量增加至200例。

手术切除区域,包括经组织病理学证实的FCD II病变,被用作定义FCD ground truth的金标准[21]。掩膜由两名经验丰富的神经放射学家使用ITK-SNAP软件(版本3.8.0)协作手动绘制,两人均具有三年以上癫痫影像学专业知识,确保每个受试者的病变有单一表示。一名评估者创建每个病变掩膜,随后由另一名评估者审核。在ROI范围存在不确定性的情况下,同时考虑临床数据和术后MRI,直至两名审核者达成共识。在两名神经放射学家未达成一致的复杂病例中,由第三名资深儿科神经放射学家提供最终意见以建立共识。手动标签作为DL模型训练的目标参数。

自动检测框架

本研究采用面向分割的方法进行FCD II的自动检测和定位,其中图像中的每个体素被赋予病变或非病变标签。所提出流程中的模型使用医学分割自配置框架nnU-Net [18]开发。3D架构由nnU-Net以其默认参数生成。然后将3D T1-MPRAGE图像作为网络的输入通道,连同相应的手动分割(MS)一起输入。nnU-Net的训练过程使用五折交叉验证进行。在推理时,使用训练好的网络在测试队列中生成自动分割(AS)。从原始图像输入到最终病变分割的推理流程示意图见图3。

图3 自动检测网络流程图 查看原图 ↗

评估指标

在逐体素基础上,评估AS与ground truth(MS)相比的真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)值。计算Dice相似系数(DSC)以衡量手动分割与自动分割之间的重叠度,以及AS敏感度[22]。敏感度反映体素存在于ground truth中时被纳入AS的概率。

统计分析

使用SPSS 18.0(IBM,纽约,美国)统计分析软件进行数据分析。连续变量以均值(标准差,SD)或中位数(四分位距,IQR)描述,分类变量以频率(%)表示。

结果

临床特征

患者的人口学和临床特征总结于表1。本研究共纳入65例患者,包括36例男性和29例女性。患者接受癫痫手术时的平均年龄为6.38岁(SD,4.77)。在65例接受癫痫手术的患者中,44例为局灶性发作,30例病灶位于额叶。根据ILAE,30例癫痫患者(46%)被分类为FCD IIa,35例(54%)为FCD IIb。在训练队列中,6例患者(12%)的MRI被认为是阴性,而在测试队列中为2例(13%)。

表1 两个数据集中患者的临床特征 查看原表 ↗

模型性能

五种不同的FCD II检测网络配置在内部五折交叉验证集上的性能见表2和图4。对训练后的nnU-Net在测试数据集上进行评估,每个模型检测病灶数量的中位数分别为5(IQR = 2–6)、3(IQR = 2–5)、3(IQR = 2–5)、5(IQR = 3–6)和6(IQR = 4–7)。关于病灶分割性能,Model_3取得了最佳性能,平均DSC评分为0.57,平均敏感度值为0.73。测试数据集中一位患者的自动病灶分割可视化结果作为示例展示于图5。

表2 五种模型的性能 查看原表 ↗
图4 基于Dice相似系数(DSC)和敏感度,来自15个测试数据集的不同模型和输入图像模态之间的比较 查看原图 ↗
图5 推理结果示例:一名9岁男孩的图像,诊断为FCD IIb。A 作为输入的原图像。B 作为标签的手工分割。C Model_3推理的自动分割结果。D MS与AS的重叠区域。该患者的平均DSC评分和平均敏感度值分别为0.69和0.72 查看原图 ↗

讨论

众所周知,术前病灶检测是手术成功的关键,这是放射科医生的主要任务。然而,人工智能正在逐渐革新这项工作[23]。传统上,对于难治性癫痫的脑MRI,神经放射科医生不可避免地会遗漏神经网络可以检测到的细微病灶。提高FCD检测的努力主要集中在三个关键方面:序列改进、形态学分析和模型优化。

许多工作仅使用T1WI序列[24, 25],因为该序列可以对脑解剖和形态进行最佳评估[19]。由于部分FCD病例存在局部高信号,一些检测模型[14, 15]加入了FLAIR序列以提高模型性能。此外,Flaus等[26]提出了一种基于深度学习的PET图像增强方法,使用模拟PET来改善病灶可视化,在37例成人队列中从38%提高到75%。尽管多种成像技术的结合有利于细微FCD的检测[27],但我们旨在简化输入要求。为使我们的方法更适用于儿童检查,我们确保使用最简单的成像模态——3D T1-MPRAGE图像——实现对FCD II的稳健检测,且不因易出错的预处理步骤(如皮质表面重建)而需要人工干预。此外,缩短扫描时间也有助于减少儿童和家长的焦虑,从而提高图像质量。

皮质增厚是FCD典型的影像学特征之一[6];因此,形态学测量技术被广泛用于自动分割。Sepulveda等[25]凭借七年的临床使用经验证明,应用FreeSurfer软件(半自动脑分割方法之一)可提高检测灵敏度,尤其是在缺乏明确常规MRI表现的患者中。最近一项多中心、多国研究提出了一种可解释的全自动流程,用于基于表面的FCD检测,在测试队列中达到67%的灵敏度[9]。自动化容积MRI方法也在取得进展。Martin等[8]和Wang等[28]报道,在MRI阴性组中VBM后处理的检出率为65%,而Martin等[8]和Wagner等[29]显示,在MRI阳性患者中使用形态学分析程序的检出率为85%。然而,使用VBM方法的研究是在患者水平检测病灶,不足以确定病灶边界。尽管基于病灶皮质多维分析的SBM方法所获得的特征精确到病灶水平,但在预测病灶簇和过滤假阳性的标准上仍存在不一致[14, 15]。我们工作的评价指标为体素水平,这将有利于病灶检测和临床决策。最佳模型在测试队列中检测病灶的灵敏度值为0.73,与既往研究相当。

近年来,已有多种神经网络被提出用于利用AI检测和分割FCD。Mo等[30]提取皮质表面特征,然后用人工神经网络对其进行分类。Thomas等[13]提出了一种Multi-Res-Attention Unet,这是一种基于混合跳跃连接的卷积神经网络架构,用于FCD分割。David等[24]基于MAP18的形态学输出图创建了一种前馈人工神经网络用于FCD检测。Feng等[16, 17]使用在不同数量特征图上训练的贝叶斯分类器来检测FLAIR阴性MRI中的FCD。Gill等[14]提供了一项多中心验证研究,使用不确定性信息贝叶斯深度学习算法检测MRI阴性FCD,并将其作为风险分层的置信度度量。House等[15]开发了一种带有自编码器正则化的3D卷积神经网络,用于FCD检测和分割,并在日常常规MRI上进行了前瞻性验证。nnU-Net框架是一种即插即用的基于深度学习的生物医学分割框架,可针对每个新任务自动配置自身[18]。nnU-Net已被应用于各种肿瘤分割,包括胰腺导管腺癌[31]、骨肉瘤[32]、乳腺癌[33]等。我们在Dice评分方面与其他研究[13–15]获得了大致相似的结果,我们的测试队列中检测病灶的最佳模型的平均DSC评分为0.57。

本研究存在若干潜在局限性。首先,单中心研究设计及增广技术的使用具有固有局限性。其次,鉴于局灶性皮质发育不良(FCD)II型是最常见的致痫性发育性脑畸形,也是可手术治疗癫痫的常见病因,本研究仅聚焦于该亚型。未来研究将纳入FCD I型数据集,以增强模型的临床适用性。此外,由于FCD IIa与IIb在神经影像学特征上存在固有差异,我们采用独立样本t检验评估模型在这两种亚型间病灶检测性能的潜在差异。结果表明,在DCS和灵敏度评价指标方面,尽管模型在IIb组病灶检测中表现优于IIa组,但两组间观察到的差异未达统计学显著性。更多细节见补充表1。除此之外,年龄是影响T1-MPRAGE图像质量的关键因素。为解决这一问题并考虑持续进行的髓鞘化,我们排除了手术时年龄不足2岁的儿童。MRI数据的采集均在手术前一周内严格完成,旨在尽量减少年龄相关因素对图像质量的潜在干扰。最后,由于缺乏独立的外部验证数据集,不能排除模型过拟合的可能性。这些问题需要在未来工作中进一步探讨。

结论

本初步研究证实,三维全分辨率nnU-Net能够自动分割FCD病灶并获得可靠结果。所提出的模型在测试数据集中最高DSC评分为0.57,最高灵敏度值为0.73。这些令人鼓舞的结果激励我们在该技术迈向临床实践的过程中,开展多中心数据集的进一步验证。

补充信息

附加文件1:补充表1。五种模型在两种不同病理亚型中的性能表现。

引用

  1. Zhang S, Zhuang Y, Luo Y, et al. Deep learning-based automated lesion segmentation on pediatric focal cortical dysplasia II preoperative MRI: a reliable approach. Insights Imaging. 2024. PMID: 38472513. doi:10.1186/s13244-024-01635-6
  2. 全文:PMC10933224(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10933224/

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。