基于T2加权MRI的深度学习预测PSMA阳性前列腺体积
本研究回顾性纳入154例接受PSMA PET/MRI的前列腺癌患者,训练C-ENet神经网络仅基于轴位T2加权序列预测前列腺内PSMA高摄取区域。模型在验证队列的DSC为69.5±15.6%,作者认为结果尚属初步,需更大队列和外部验证。
要点
- 仅用轴位T2加权MRI即可尝试预测前列腺内SUV>4的PSMA高摄取区,验证集DSC为69.5±15.6%。
- 前列腺自动分割C-ENet的DSC达87.3%,优于UNet(ANOVA p=1.11E-16)。
- 模型对PSMA摄取的体素重叠误差44.9±16.2%,作者认为尚不能用于临床。
核心结论
- 仅基于T2加权MRI即可大致估计前列腺内PSMA摄取增高区域,验证集DSC接近70%,但作者认为结果仍属初步、尚不能用于临床。
研究设计与样本
- 回顾性研究,纳入2016年4月至2020年12月在本机构连续行PSMA PET/MRI的前列腺癌分期或活检引导患者,最终154例进入分析。
- 使用SIGNA PET/3T MRI(GE Healthcare)行[68Ga]Ga-PSMA-11(133/154)或[18F]PSMA-1007(21/154)PET/MRI,以SUV>4将前列腺床二分为阳性/阴性区域生成PSMA PET图。
- 数据集按80:20分为训练队列124例和测试队列30例,小病灶(体积<15 cc)作训练集、大病灶作测试集,采用分层五折交叉验证。
- 以手动分割为金标准,训练C-ENet生成预测性前列腺PSMA PET图,并与UNet比较分割性能。
诊断标准与关键数值
- PSMA摄取阳性阈值定义为SUV>4,用于生成二值PSMA PET图。
- PSMA摄取预测验证集DSC为69.5±15.6%,VOE为44.9±16.2%,VD为39.05±78.7%。
- 前列腺自动分割C-ENet的DSC为87.3%,UNet与C-ENet分割体积差异有统计学意义(F=358.211,F-critic=3.889,p=1.11E-16)。
临床应用与阅片要点
- 作者认为该模型可能有助于改善T2加权序列的判读,并可能作为评估PIRADS 3等可疑病灶的潜在低成本方法,但当前结果尚不适用于临床。
局限性
- 研究为回顾性设计。
- 患者队列相对较小且为单中心。
- 缺少外部验证。
- 由于图像变形及部分患者序列缺失,未能将DWI和ADC图纳入模型。
- 作者认为结果仍属初步、尚不能用于临床,需更大队列和外部验证进一步研究。
全文中译12 节 · 点击展开
引言
多参数磁共振成像(mpMRI)和靶向活检用于前列腺特异性抗原(PSA)升高的患者,可显著提高早期前列腺癌(PCa)的检出率,PROMIS试验已证实这一点[1]。使用标准化报告系统——前列腺影像报告和数据系统(PIRADS),对有临床意义PCa的灵敏度可达75–85%[2],若联合系统活检则可达96%。然而,在PIRADS 3病灶中发现有临床意义PCa的概率仅约为11.5%(4.35–18.7)[3]。因此,大部分mpMRI引导的活检未显示任何有临床意义的病变。鉴于高达20%的患者会因靶向联合系统活检出现并发症,提高PCa检测的灵敏度、尤其是特异度将是理想的。
事实上,前列腺特异性膜抗原(PSMA)靶向PET作为一种相对较新的影像学方法,能够改善PCa的评估,从诊断到再分期[4–6]。同步PSMA PET/MRI进一步为我们提供了独特的机会,可直接评估PSMA PET对mpMRI的附加价值。因此,多项研究提示,与单独mpMRI相比,若将PSMA PET数据与T2序列的形态学信息相结合,可提高对有临床意义PCa的检测准确性[7–10]。然而,PSMA仅被批准用于高危前列腺癌的分期和生化复发的检测。对所有疑似PCa的患者应用PSMA PET将显著增加费用。
近期观察显示,高PSMA表达可能与组织病理学上的生长模式等结构特征相关[11]。此类组织病理学上的结构差异无法通过人眼在MRI图像上识别。然而,使用机器学习(ML)方法进行的深层结构图像分析可能能够检测此类差异,从而仅基于形态学信息预测病灶是否为PSMA阳性。ML方法已被用于预测PCa的分子谱[12],用于病灶表征及疾病结局预测[13]和生存评估[14]。这些基于机器学习的全新应用用于同步PSMA PET/MRI,可能进一步改善PCa的图像解读:从分割到精确的病灶分析。
因此,我们旨在基于PSMA PET/MRI扫描训练一个深度神经网络(DNN),以仅基于轴位T2加权序列预测前列腺PSMA摄取增高。
方法
患者
在这项回顾性研究中,我们筛选了2016年4月至2020年12月期间在我院连续接受分期(n = 177)或前瞻性活检引导(n = 45)PSMA PET/MRI检查的所有PCa患者。随后,我们排除了既往接受过局部治疗的患者(n = 34)以及前列腺无任何PSMA摄取的患者(n = 11)。鉴于样本量有限,我们决定使用MRI上包含前列腺组织的每一个层面,并以SUV 4为截断值对PSMA摄取进行二分类。该截断值基于以下建议:SUV 4可用于区分PCa与正常前列腺腺体摄取[15]。为进一步提高模型的特异性,我们排除了前列腺内PSMA摄取未超过4的患者(n = 23)。图1展示了患者入组流程图。本研究经机构审查委员会批准(2020–02861);所有分期患者签署了回顾性研究的通用知情同意书,而活检引导患者签署了前瞻性研究的专门书面知情同意书[9]。
PSMA PET/MRI
所有患者均接受了[68Ga]Ga-PSMA-11或[18F]PSMA-1007 PET/MRI扫描(SIGNA PET/3T MRI,GE Healthcare,Waukesha,WI,USA)。[68Ga]Ga-PSMA-11或[18F]PSMA-1007注射后分别于60分钟和90分钟开始采集图像,首先进行全身MRI定位扫描。随后,采集用于衰减校正的3D双回波破坏梯度回波序列(LAVA-FLEX)和PET发射扫描。协议包括覆盖盆腔的专用序列,包括高分辨率T1加权LAVA-FLEX序列、两个平面的T2加权快速恢复快速自旋回波序列(FRFSE)以及扩散加权图像(DWI,b值为0、400和700)。具体而言,轴位T2 FRFSE的参数为:重复时间(TR)2600 ms,回波时间(TE)117 ms,翻转角(FA)125°,采集矩阵416 × 224,体素大小512 × 512,层厚4 mm,信号平均次数2,带宽326 Hz/像素,采集时间3:48(分:秒)。其他MRI序列的详细信息见补充表1。PET采集扫描以3D飞行时间(TOF)模式进行,默认6个床位,每床位采集时间2分钟(轴向视野25 cm,重叠24%,矩阵256 × 256,2次迭代,28个子集,采用sharpIR算法——GE Healthcare——及5 mm滤波截止)。为减少[68Ga]Ga-PSMA-11在泌尿系统中的放射性药物活性,于示踪剂注射前30分钟静脉注射呋塞米(0.13 mg/kg),并要求患者在扫描前排尿。所有机构协议均符合EANM-SNMMI联合操作指南[16]。
图像分割
对于每位匿名患者,一名具有3年经验的核医学医师(R.L.)使用3D Slicer软件[17]版本4.11,在轴位视图上通过徒手逐层分割对整个前列腺的T2 MRI图像进行了分割。随后,这些体积由一名同时拥有放射科和核医学双 board 认证、具有15年经验的医师(I.A.B.)确认。然后,从MRI中选择的感兴趣体积(VOIs)被转移至PSMA PET扫描,并使用符合图像生物标志物标准化倡议(IBSI)的软件Lifex [18]版本7.1以SUV 4为阈值进行二值化,以生成阳性和阴性体素(即二值掩膜:目标为1,背景为0)。
鉴于T2和弥散加权(DWI)MRI是检测癌症时始终采集的最重要序列,且DWI常因畸变而在相关性方面受限,我们决定使用mpMRI中的T2加权作为基础。事实上,与动态对比增强(DCE)或DWI(包括表观弥散系数—ADC)相比,T2图像具有更高的分辨率;因此我们认为T2图像包含大量“不可见”数据,可供神经网络用于预测PSMA前列腺摄取。
深度学习
定制高效神经网络(C-ENet)[19]被用于仅基于轴位T2加权序列预测前列腺PSMA摄取增高。ENet是一种常用于硬件可用性有限且精确分割非常关键的移动应用中的网络[20]。随后,它被修改为C-ENet以用于生物医学成像应用,例如MRI图像中前列腺的分割[21]。具体而言,ENet基于残差网络的构建模块,每个模块由三个卷积层组成。其特征是采用5×1和1×5序列的非对称可分离卷积。5×5卷积有25个参数,而相应的非对称卷积有10个参数,以减小网络规模。如[19]中所述,ENet的定制化(即C-ENet)是通过将128×64×64的输出替换为256×64×64的输出来实现的。这一修改意味着骰子相似系数(DSC)分布平均而言更大,且变异性小于标准ENet。在本研究中,我们使用C-ENet在T2 MRI图像中自动分割前列腺体积,并在所获得的体积内自动生成预测性PSMA PET图。为实现这些结果,C-ENet被训练了两次。在第一个训练阶段,使用MRI数据集中进行的人工分割来自动识别解剖学前列腺区域。采用分层五折交叉验证策略:按照[22]中描述的方式,将数据集分为5个大小相近的折,通过将五折中的四折合并为训练集并保留剩余一折作为验证集,在五个模型上进行训练。对于训练任务,使用初始的16例患者以实验方式确定Adam优化器[23]下的最佳学习率为0.0001。由于前列腺分割存在数据不平衡问题(前列腺区域相较于背景非常小),使用Tversky损失函数作为损失函数,以如[24]中所述调整假阳性和假阴性的权重。实施了自动停止准则,以应对损失连续10个epoch未下降的情况。最后,我们将所提出的C-ENet方法与生物医学图像分割中最广泛使用的DL算法,即UNet[25]进行了比较。UNet的显著特征是其U形结构,网络通过一系列卷积层和池化层对输入图像进行收缩以捕获上下文,然后将表示扩展回原始输入尺寸以生成分割图。收缩路径由卷积层后接最大池化层组成,以减小空间维度,而扩展路径涉及上采样和拼接操作以恢复空间信息。收缩路径和扩展路径中对应层之间的跳跃连接有助于在分割过程中保留细粒度细节。
在第二个训练阶段,将前一阶段在MRI图像中分割出的前列腺区域叠加到使用LifeX获得的二值PET掩膜上。通过这种方式,在MRI图像中仅考虑具有高PSMA摄取的前列腺区域,因为属于背景的体素(即具有低PSMA摄取的前列腺区域)被设为零值。然后,这些图像被用于训练一个新的基于C-ENet的模型,以仅使用MRI数据集生成前列腺PSMA预测PET图。根据通用的80:20规则(也称为帕累托原则),患者被分为训练队列(n = 124)和验证队列(n = 30)。具体而言,较小的病灶被用作训练集(病灶体积小于15 cc),而较大的病灶被用作测试集,以考虑PET图像中的部分容积效应问题[26],从而提高该初步模型的稳健性。在预处理方面,MRI检查使用线性插值重采样至各向同性体素大小(1 × 1 × 1 mm3),矩阵分辨率为512 × 512。手动分割的掩膜被用作金标准(全腺体),PSMA前列腺摄取分割掩膜使用最近邻插值进行重采样。对于两个模型,均使用了基于六种不同技术类型(旋转、沿x和y方向平移、应用裁剪、水平翻转以及原始图像缩放)的数据增强来减少过拟合。最后,使用数据标准化和归一化以加快收敛并避免数值不稳定。使用NVIDIA RTX A5000,16 GB显存,6144 CUDA核心作为图形处理单元(GPU)。所提出模型的流程图见图2。
统计分析
统计分析使用SPSS统计软件26版(IBM)进行。描述性分析用于显示患者数据,分别以均值伴标准差或中位数伴范围来描述正态或非正态分布值;频率分布及百分比用于汇总分类变量。这些分析由R.L.(医学博士、哲学博士)完成。为提供模型评估,对于每个临床病例,我们计算了一组文献中常用于形状比较的性能指标,即灵敏度、阳性预测值(PPV)、DSC、体积重叠误差(VOE)和体积差异(VD):其中TP、FP、TN和FN分别为真阳性、假阳性、真阴性和假阴性。为验证两种深度学习算法(即C-ENet和UNet)之间是否存在统计学显著不同的性能,对DSC使用方差分析(单因素ANOVA)。p值 < 0.05被认为具有统计学显著性。
模型估计的统计分析由A.C.(哲学博士)完成。
结果
154例患者(平均年龄66.3 ± 7.75岁),PSA中位值11 ng/ml [2.5–480],分别接受[68Ga]Ga-PSMA-11(133/154)或[18F]PSMA-1007(21/154)PET/MRI检查,给药剂量中位值分别为124 MBq [76–198]或245 MBq [135–303]。其中127/154例(82.5%)活检存在临床显著前列腺癌(ISUP ≥ 2)。患者主要特征见表1。
MRI自动前列腺分割
对于MRI图像的自动前列腺分割,我们将所提出的C-ENet方法与UNet进行了比较。表2展示了通过比较自动分割(即C-ENet和U形神经网络——UNet)与手动勾画所获得的性能指标,结果为五折交叉验证过程中五个验证折结果的平均值,DSC达到87.3%,表明C-ENet具有优异性能。图3显示了训练DSC和单折损失函数曲线:C-ENet训练阶段的DSC随时间持续升高,仅在15次迭代后DSC即超过80%,而损失指标呈相反趋势(随时间下降),在90余次迭代后成功达到稳定。
对DSC的方差分析显示,使用UNet和C-ENet获得的体积之间差异具有统计学显著性(F值 = 358.211,F临界值 = 3.889,p值 = 1.11E-16)。因此,所提出的C-ENet方法优于UNet。最后,图4展示了两种深度学习算法在3例患者中的定性比较。
基于T2 MRI的PSMA前列腺摄取预测
在第二个训练阶段,将分割后的前列腺体积叠加到如“图像分割”部分所述使用LifeX获得的二值PET掩膜上。通过这种方式,MRI图像中仅考虑具有高PSMA摄取的前列腺区域,因为属于背景的体素(即PSMA摄取 < 4的前列腺区域)被设为零值。这些图像用于训练一个新的C-ENet,以仅使用MRI数据集生成前列腺PSMA预测PET图。在验证队列上的性能显示DSC为69.5 ± 15.6%。所有结果报告于表3。图5显示了训练DSC和损失函数曲线。最后,图6展示了两种深度学习算法在3例患者中的定性比较。
讨论
人工智能还可以通过可持续的方法放大分子成像,以减少设施不同的医院之间以及法规不同的国家之间的潜在差距。全球疑似前列腺癌(PCa)患者接受盆腔MRI检查的可及性已显著增加。为PSMA PET提供同样的可及性有可能改善PCa检测,但会显著增加成本。在此,我们证明了仅基于同期PET/MRI采集的T2-MRI图像,通过C-ENet模型预测前列腺PSMA摄取的可行性,在一个未接受任何治疗的分期/活检引导PCa患者同质队列中,结果DSC为69.5 ± 15.6%,VOE为44.9 ± 16.2%,VD为39.05 ± 78.7%。迄今为止,仅发表了少数利用人工智能仅基于形态学数据预测PET图像的初步经验。Chandrashekar等以某种类似的方式证明了可以从非增强计算机断层扫描(CT)获得模拟FDG PET图像。在298例头颈部鳞状细胞癌(HNSCC)患者中,他们对CT衍生影像组学特征应用随机森林(RF)分类,以区分FDG摄取可忽略、低和升高的区域。在第二步中,训练了一个深度学习(DL)生成对抗网络(GAN)用于CT到PET的转换任务。据此,作者报告称,生成的PET图像与真实PET图像之间的肿瘤体积相似,并得出结论:所提出的模型能够以与使用FDG-PET图像相同的准确度预测临床结局,而无需注射示踪剂[27]。
此外,Komori等旨在开发一种基于图像的DL技术,能够仅使用放射性示踪剂注射后0至20分钟获得的早期图像来生成[11C]PiB PET的延迟(60′)摄取模式,目的是减少疑似阿尔茨海默病患者的扫描等待时间。在一个253例患者队列中,作者使用早期图像作为输入、相应的延迟图像作为输出训练了一个神经网络。分别使用UNet CNN和条件GAN(C-GAN)作为DL架构和数据增强方法。结果,实际延迟图像与AI预测延迟图像之间淀粉样蛋白阳性的 concordance 为79%,结构相似性指数(SSIM)为0.45 ± 0.04 [28]。
在另一个样本量较小的队列环境中,包括64例口咽癌患者,Ji等人描述了一种能够预测调强放疗(IMRT)后[18F]FDG PET图像的卷积神经网络(CNN)。他们使用放疗前[18F]FDG-PET图像和IMRT的剂量分布图作为模型输入,而放疗后[18F]FDG-PET图像作为真实标准。基于Gamma检验结果,所获得的[18F]FDG-PET图像预测与真实标准图像显示出良好的一致性,SUVmean值相近[29]。
在人工智能和前列腺癌(PCa)这种异质性疾病的不确定场景中[30],我们选择了一个同质队列,仅纳入未经治疗患者的PSMA PET/MRI图像。我们认为所呈现的结果仍属次优,尚不适用于临床使用,但鉴于现有局限性,约70%的一致性对于初步经验而言是令人满意的。这应促使未来将PSMA PET数据集与mpMRI联合用于PCa检测,以进一步训练和改进预测算法,该算法可能能够改善T2加权序列的判读,并可能作为一种潜在的低成本方法,更好地评估可疑/不明确的发现(即PIRADS 3),以确定患者是否需要进一步更全面的检查。
本研究的局限性包括其回顾性性质、使用了相对较小的单中心患者队列以及缺乏外部验证。此外,由于图像失真和部分患者序列缺失,无法将DWI和ADC图纳入所提出的模型。为克服PCa固有病理异质性带来的潜在困难,希望未来开展更大队列的多中心研究和外部验证,并纳入更多mpMRI序列,最终可能提高我们模型的准确性。
结论
本研究证明了仅使用T2-MRI图像基于图像的深度学习(DL)预测前列腺PSMA PET摄取的可行性,Dice相似度接近70%。需要更大队列和额外MRI序列的进一步研究来提高预测的PSMA摄取,并评估其是否足够好以改善mpMRI的判读。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 25 kb)
引用
- Laudicella R, Comelli A, Schwyzer M, et al. PSMA-positive prostatic volume prediction with deep learning based on T2-weighted MRI. Radiol Med. 2024. PMID: 38700556. doi:10.1007/s11547-024-01820-z
- 全文:PMC11168990(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11168990/
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。