文献速递腹部泌尿生殖技术与安全CT

基于三维V-Net模型在计算机断层扫描上表征肾上腺

Characterization of adrenal glands on computed tomography with a 3D V-Net-based model.
PubMed 文献 · Insights Imaging · 2025-01-14

该回顾性研究基于三维V-Net构建肾上腺病灶分割模型,在1086个CT图像序列上训练,并在病理确诊的959例(外部验证集1)和连续479例恶性肿瘤病史患者(外部验证集2)中验证分类性能。模型在外部验证集1的敏感度和准确度分别为99.7%和98.3%,与放射科报告无显著差异(p=1.000);在外部验证集2的敏感度和准确度分别为87.2%和62.2%,病灶组与放射科报告无显著差异(p>0.05)。结论认为该模型可用于肾上腺正常或异常的二分类。

要点

  • 模型在病理确诊病灶的外部验证集1中敏感度99.7%、准确度98.3%,与放射科报告无显著差异(p=1.000)。
  • 在连续恶性肿瘤病史筛查场景(外部验证集2)中敏感度87.2%、准确度62.2%,病灶组与放射科报告无显著差异(p>0.05)。
  • 模型在外部验证集2中阴性预测值为96.7%,正常肾上腺组假阳性率44.9%,原文认为可能与训练集病灶患病率高导致模型过度敏感有关。

核心结论

  • 基于三维V-Net的肾上腺病灶分割模型可用于肾上腺正常或异常的二分类,在术前场景和连续筛查场景中均有相当的性能。

研究设计与样本

  • 回顾性研究,训练集1086个CT图像序列(2138个肾上腺,含213个转移瘤和1047个腺瘤),来自单中心。
  • 外部验证集1纳入959例病理确诊的肾上腺病灶患者(1803个肾上腺,含54个转移瘤和647个腺瘤),用于验证分类性能。
  • 外部验证集2纳入479例连续恶性肿瘤病史患者(934个肾上腺),用于筛查人群验证。
  • 参考标准为2名放射科医师共同阅片讨论后的正常/异常结果,无法共识时由第三名高级放射科医师判定。
  • 分割模型基于三维V-Net架构,输入门静脉期CT图像,输出局灶性肾上腺病灶,正常肾上腺输出空标签。

关键影像表现/征象

  • 模型在测试集(N=108)的分割Dice相似系数为0.900(0.810–0.965),Hausdorff距离为3.030(1.805–8.115)mm,体积相似性为0.960(0.860–0.990),以中位数(四分位距)表示。
  • 外部验证集2中模型检出弥漫性肾上腺异常的能力与放射科报告无显著差异(p=0.092),敏感度和准确度分别为77.3%和81.5%。

诊断标准与关键数值

  • 外部验证集1全数据集:模型敏感度99.7%、准确度98.3%,放射科报告敏感度98.5%、准确度98.8%,两者无显著差异(p=1.000)。
  • 外部验证集2全数据集:模型敏感度87.2%、准确度62.2%,与放射科报告差异有统计学意义(p<0.001),阴性预测值96.7%。
  • 外部验证集2中含病灶组:模型与放射科报告无显著差异(p>0.05)。
  • 外部验证集2中正常肾上腺组假阳性率44.9%。

临床应用与阅片要点

  • 模型在术前场景(病理确诊病灶)中准确度98.3%,与放射科报告无显著差异,原文认为遗漏可望减少,可能有助于肿瘤分期和治疗计划。
  • 在筛查场景中模型阴性预测值96.7%,原文提示其可能有助于在阅片前排除正常肾上腺,使放射科医师关注潜在异常肾上腺。
  • 原文指出正常肾上腺组假阳性率44.9%较高,可能与训练集肾上腺病灶患病率高导致模型过度敏感有关,需更多正常肾上腺训练以降低假阳性。
  • 原文强调训练集和外部验证集2的肾上腺病灶未经病理确诊,未来需完全确诊异常的研究。

局限性

  • 单中心回顾性研究,若其他机构使用不同扫描方案可能不具代表性。
  • 模糊肾上腺病灶被排除分析,这些病灶可能后续发生变化,未来研究应复习同一患者的随访影像。
  • 训练集需扩大,尤其纳入更多正常肾上腺,以减少筛查场景中的假阳性病例。
  • 新模型尚需在普通人群中验证肾上腺异常的检测。
  • 术后肾上腺图像也应纳入以供真实世界应用。
全文中译13 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. 2025 Jan 14;16:17. doi: 10.1186/s13244-025-01898-7

引言

肾上腺疾病在临床诊断和管理中面临挑战,需要准确且高效地描绘结构异常。计算机断层扫描(CT)是肾上腺成像的首选模态[1, 2]。局灶性肾上腺病变常为偶然发现。偶发瘤定义为因无关指征行横断面成像时检出的直径大于1 cm的肾上腺肿块,其在CT上的患病率为7%[3, 4]。传统的CT图像肾上腺分析方法容易受到观察者间变异性的影响,且在捕捉细微病理变化方面可能缺乏精确性[5]。

近年来,深度学习技术在医学成像任务中取得了显著成功,已应用于CT和MRI中的许多器官[6–9],为自动化并提高肾上腺分类的准确性提供了有前景的途径。既往区分正常与异常肾上腺的研究往往样本量小、仅进行内部验证或无病理证实[10–13]。需要采用基于深度学习的方法并进行全面外部验证的研究,以确保分类性能的稳定性。

本研究聚焦于利用3D V-Net[14]分割方法推进肾上腺病变的分类,并在术前和筛查病例中验证该模型。我们建立了基于3D V-Net的肾上腺病变分割模型,并评估其在将肾上腺表征为正常或异常方面的性能。

材料与方法

患者

本回顾性研究经当地机构审查委员会批准(编号2023(371)),并豁免知情同意。研究队列的纳入和排除流程图见图1。

图1 (A)训练数据集、(B)外部验证数据集1和(C)外部验证数据集2中患者及肾上腺的纳入和排除流程图 查看原图 ↗

训练数据集

纳入经全面临床诊断确诊为局灶性肾上腺病变患者的增强腹部CT(包括门静脉期(PVP))图像,检索自医院信息系统。这些患者的病变未经病理诊断证实。选择PVP用于训练肾上腺病变分割模型。这些图像采集自GE Discovery CT750HD、GE LightSpeed VCT、GE Optima CT680 Expert、GE Revolution CT、Siemens SOMATOM Definition Flash、Siemens SOMATOM Force、Philips Brilliance 64、Philips Brilliance iCT 256和Neusoft NeuViz Prime。

纳入标准如下:(1)2012年1月1日至2022年9月30日出院时诊断为“肾上腺转移瘤”或2021年1月1日至2022年9月15日出院时诊断为“肾上腺腺瘤”的患者;(2)在本中心接受过腹部增强CT扫描的患者。排除标准如下:(1)有恶性肿瘤病史且诊断为“肾上腺腺瘤”的患者;(2)图像无法调取;(3)图像质量差;(4)扫描方案不规范;(5)扫描范围不足;(6)纳入外部验证数据集1的患者;(7)术后或异常改变导致肾上腺无法清晰识别的患者;(8)双侧或仅单侧边界不清病变的患者。同一PVP扫描多次重建的图像序列予以保留。所有图像均由2名放射科医师审阅,排除无局灶性病变、边界不清或未发现病变的肾上腺。最终,纳入1086个图像序列、共2138个肾上腺用于训练(213个转移瘤和1047个腺瘤,图1A)。

外部验证数据集

数据集1:经病理证实的局灶性肾上腺病变病例

纳入接受肾上腺切除术或肾上腺活检并经病理诊断为局灶性肾上腺病变的患者,收集其最近一次腹部增强CT扫描的PVP图像序列以及操作前的相应影像学报告。这些图像分别由GE Discovery CT750HD、GE LightSpeed VCT、GE Optima CT680 Expert、GE Revolution CT、Siemens SOMATOM Definition Flash、Siemens SOMATOM Force、Philips Brilliance 64、Philips Brilliance iCT 256和Neusoft NeuViz Prime采集。

纳入标准如下:(1)2013年1月1日至2022年10月11日经病理诊断为局灶性肾上腺病变的患者;(2)在本中心接受过腹部增强CT扫描的患者。排除标准为训练集的排除标准,另加:(1)同侧多发病变且病理结果无法区分。同一患者仅保留一个图像序列。未经病理证实的异常肾上腺予以排除。经2名放射科医师审阅后,纳入959个图像序列(N = 944来自肾上腺切除术,N = 15来自活检)、共1803个肾上腺进行分析(包括54个转移瘤和647个腺瘤,图1B)。

数据集2:有恶性肿瘤病史的连续病例

收集诊断为恶性肿瘤、已接受或准备接受化疗或放疗的患者的随访或基线腹部增强CT扫描,连续纳入其PVP图像序列和影像学报告进行分析。这些图像分别由GE Discovery CT750HD、GE Optima CT680 Expert、GE Revolution CT、Siemens SOMATOM Definition Flash、Siemens SOMATOM Force、Philips Brilliance iCT 256和Neusoft NeuViz Prime采集。

纳入标准如下:(1)由肿瘤内科或放射肿瘤科开具的增强腹部CT扫描;(2)检查日期为2023年5月1日至2023年6月30日。排除标准为训练集的排除标准,外加:(1)根据医院信息系统记录的诊断,无恶性肿瘤病史的患者;(2)已纳入训练数据集或外部验证数据集1的患者。经2名放射科医师审核后,共纳入479个图像序列、934个肾上腺进行分析(图1C)。

图像采集

对比剂(碘普罗胺370 mgI/mL或碘海醇320 mgI/mL,Bayer AG)经静脉系统以2.5 mL/s或3 mL/s的流率注射。注射剂量为:体重小于75 kg的患者100 mL,体重75–90 kg的患者120 mL,体重大于90 kg的患者150 mL。所有患者均接受PVP期扫描(对比剂注射后60–70 s)。管电压为120 kVp,采用自动mAs。图像重建层厚为1 mm或1.25 mm,间隔1 mm。

肾上腺及肾上腺病灶的分割

本研究中纳入的图像序列由先前开发的肾上腺分割模型[15]进行自动标注(图2)。这些双侧肾上腺标注由一名初级放射科医师和一名高级放射科医师共同审核,不满意的标注进行手动修改。注意,肾上腺切除术后患者的肾上腺标注留空。所有CT图像由一名初级放射科医师和一名高级放射科医师共同审阅,经讨论后记录正常/异常结果。若无法达成共识,或两者均无法确定肾上腺上是否有肿块,则由第三名高级放射科医师给出结果(正常、异常或不确定)。若第三名高级放射科医师仍无足够信心确定肾上腺是否含病灶,则标记为“不确定腺体”并排除。上述流程用于本研究所有数据集,包括训练数据集及外部验证数据集1和2。在训练集或外部验证数据集1中,单侧肾上腺不确定而对侧肾上腺正常的患者被排除。外部验证数据集1中未经病理证实的异常肾上腺未纳入分析。随后,若在肾上腺区域发现局灶性病灶,则由一名初级放射科医师在肾上腺标注内手动标注这些数据集中的肾上腺局灶性病灶,并由一名高级放射科医师审核。

图2 本研究工作流程概览。CT图像经肾上腺分割及随后的肾上腺病灶分割。*肾上腺分割模型为先前开发[15] 查看原图 ↗

模型训练与标签预测

在训练数据集中,图像序列被随机分配为训练集(N = 870)、验证集(N = 108)和测试集(N = 108),用于训练肾上腺病灶分割模型。

本研究基于配备Nvidia Tesla P100 16 G(Nvidia Corporation,Santa Clara,CA)GPU和PyTorch v1.7.1 + cu110(https://pytorch.org/)的3D V-Net架构[14]。模型输入为PVP CT图像中分割的肾上腺,输出为局灶性肾上腺病变。正常肾上腺的输出将为空标签。图像预处理包括窗宽窗位调整(中心30 HU,窗宽300 HU)、调整大小为128px × 192px × 256px,以及通过旋转、剪切、噪声注入、去噪等进行图像增强。训练参数为批大小6、学习率0.0001、轮数400。

基于3D V-Net的肾上腺病变分割模型用于预测肾上腺异常。分割区域与实际病变存在重叠体素的肾上腺被视为异常。图像序列按所含最大病变的直径进行分组,即对侧肾上腺(如未被排除)也纳入相应组别。在各组中分析检测性能。

统计分析

除非另有说明,统计分析使用Python 3.7.6及Scipy 1.4.1、Statsmodels 0.11.0和Sklearn 0.22.1进行。采用Dice相似系数(DSC)、Hausdorff距离(HD)和体积相似度(VS)评估分割性能。参考标准设为放射科医师的标注。手动标注的肾上腺和肾上腺病变的定量参数通过程序计算。所有分析均为双侧检验,统计显著性设为p < 0.05。数据正态性采用Kolmogorov‒Smirnov检验判定。单因素分析中的连续变量酌情采用Student t检验和Mann–Whitney U检验进行比较。不同分类方法(即模型和放射学报告)的参考标准为放射科医师图像审阅的结果,这些分类方法之间的比较采用McNemar检验。

结果

肾上腺病变的分割模型

患者特征见表1。共1071例患者(来自1086个图像序列的2138个肾上腺)用于模型训练,其中164例被诊断为肾上腺转移。肾上腺异常的发生率为58.9%(1260/2138)。在肾上腺转移患者中,最常见的恶性肿瘤为肺癌(50/164,30.5%),见表1。肾上腺病变的特征见表2。除肾上腺内病变的体积百分比外(p = 0.020),左侧和右侧病变无显著差异。

测试集(N = 108)的DSC、HD和VS分别为0.900(0.810–0.965)、3.030(1.805–8.115)mm和0.960(0.860–0.990)。数据以中位数(四分位距)描述。

表1 本研究数据集的患者特征 查看原表 ↗
表2 外部验证数据集1的患者特征 查看原表 ↗

基于分割结果的肾上腺分类的外部验证

经病理证实为局灶性肾上腺病变的病例

共收集959例患者(1803个肾上腺),经病理证实为肾上腺转移瘤(53/959,5.5%)、腺瘤(646/959,67.4%)或其他病理类型(260/959,27.1%;类型详情见补充表1)。表1显示了该组患者的恶性肿瘤情况。值得注意的是,11.8%(76/646)的肾上腺腺瘤患者有恶性肿瘤病史。该数据集中病灶的最大直径、体积和体积百分比与其他数据集存在显著差异(均p < 0.001,表3)。

使用基于3D V-Net的肾上腺病灶分割模型对这些患者的肾上腺进行预测。不同组别病灶的分类结果见表4。值得注意的是,模型的敏感度和准确率分别为98.3%和99.7%,与放射科报告相比无显著差异(p = 1.000),后者在整个数据集中的敏感度和准确率分别为98.5%和98.8%。在各组中,无论是转移瘤、腺瘤、其他病理类型还是整个数据集,模型与放射科报告之间均无显著差异(p = 1.000)。转移瘤、腺瘤和其他病理类型的结果见补充表2–4。

表3 各数据集中肾上腺病灶的特征 查看原表 ↗
表4 外部验证数据集1的分类结果 查看原表 ↗

有恶性肿瘤病史的连续病例

采用一个恶性肿瘤患者的连续队列(N = 479)来验证模型的分类性能。其中结直肠癌(105/479,21.9%)最为常见。共13.4%(125/934)的纳入肾上腺为异常。除最大直径外(p = 0.140),病灶的体积(p = 0.038)和体积百分比(p = 0.045)与训练数据集存在显著差异,见表3。

模型和放射科报告的检测性能见表5。在整个数据集中,模型的性能与放射科报告存在差异(p < 0.001),但模型显示出相当高的阴性预测值(NPV)为96.7%。在含病灶图像组中,模型与放射科报告无显著差异(p > 0.05)。值得注意的是,模型能够检测肾上腺弥漫性异常,且与放射科报告无显著差异(p = 0.092),敏感度和准确率分别为77.3%和81.5%。

表5 外部验证数据集2的分类结果 查看原表 ↗

讨论

肾上腺是人体内微小的器官,其异常可能在常规诊断流程中被遗漏。本研究纳入了肾上腺最常见的良性和恶性病灶——腺瘤和转移瘤[16],并开发了基于3D V-Net的分割模型,可用于正常和异常肾上腺的分类,与放射科报告相比无显著差异。借助该模型,有望减少影像诊断中的遗漏,该模型可能在恶性肿瘤患者的肿瘤分期及病灶治疗计划中发挥作用[17]。

以往关于肾上腺分类的研究样本量有限。随机森林分类已用于肾上腺,并在总共20个肾上腺的小数据集中分别达到了80%和90%的高灵敏度和特异度[10]。基于U-Net的肾上腺分割模型及随后的自动测量在区分肾上腺增生与正常肾上腺方面表现良好,并使用308例CT检查进行了开发和验证[11]。

本研究的主要优势在于在两个不同临床场景中进行了外部验证。经病理证实的肾上腺病变样本量也大于既往同类研究。在外科或介入操作之前,该模型显示出稳健的准确率(98.3%),与影像学报告无显著差异。由临床诊断的转移/腺瘤训练出的模型在术前场景中表现出相当的性能,可用于经病理证实的转移/腺瘤及其他病理类型。然而,这组患者可能不能很好地代表筛查人群,因为他们可能存在潜在的不确定性或需要切除或病理确认的致病症状。在恶性肿瘤病史的连续队列中,肾上腺异常的发生率相对较低(13.4%,125/934总计),模型的性能差异较大。该模型在该数据集上显示出较低的灵敏度(87.2%)。这一结果与既往一项使用连续病例的二次测试数据集(N = 991)的研究相似,其灵敏度为69%[12]。

在筛查场景中,该模型显示出从局灶性肾上腺病变泛化到弥漫性病变的能力。该模型仅使用含局灶性病变和无病变的肾上腺进行训练。对于弥漫性病变,该模型显示出此类检测能力,且模型与影像学报告之间的性能无显著差异(p = 0.092)。尽管如此,该模型在不同组别中均显示出高阴性预测值(NPV),尤其是整个数据集(96.7%),表明在阅片前“排除”正常肾上腺的潜在作用,可在一定程度上帮助放射科医师关注那些可能异常的肾上腺。值得注意的是,正常肾上腺组的假阳性率(44.9%)相对较高,这可能是因为模型过于敏感,而训练数据集中肾上腺病变患病率较高所致。需要更多正常肾上腺来训练此类模型,以在进一步研究中减少此类假阳性。

本研究存在若干局限性。第一,这项单中心回顾性研究若其他机构采用不同的扫描方案,可能不具有代表性。第二,分析中排除了性质不明的肾上腺病变。这些病变可能具有变化的潜力,其后会变得明显。在进一步研究中应回顾同一患者的随访影像。第三,训练集需要扩大,尤其是纳入更多正常肾上腺,以减少上述筛查场景中的假阳性病例。新模型还将在一般人群中验证其检测肾上腺异常的能力。尽管如此,术后肾上腺的图像也应纳入,以便在真实世界环境中进一步应用。第四,由于具有病理结果的病例有限,训练数据集和外部验证数据集2中的肾上腺病变未经病理证实。未来还需要对完全确认的异常进行研究。

总之,基于3D V-Net的分割模型可用于正常与异常肾上腺的分类,在无既往肾上腺手术的术前和连续筛查病例中均具有相当的性能。它还显示出泛化能力,从转移瘤/腺瘤到其他病理类型,从局灶性到弥漫性病变。

补充信息

电子补充材料

引用

  1. Chen Y, Zhang Y, Zhang X, et al. Characterization of adrenal glands on computed tomography with a 3D V-Net-based model. Insights Imaging. 2025. PMID: 39808346. doi:10.1186/s13244-025-01898-7
  2. 全文:PMC11732807(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11732807/

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。