文献速递乳腺技术与安全US

基于U-Net分割与体内参考目标的实时背散射系数估计探索

Toward Real-Time Backscatter Coefficient Estimation Incorporating the U-Net Segmentation and an In Vivo Reference Target.
PubMed 文献 · J Ultrasound Med · 2025-06-25

该研究利用U-Net模型对兔乳腺肿瘤超声图像进行自动分割并定位植入的钛珠参考目标,以实现背散射系数(BSC)的自动估计;U-Net分割Dice评分为0.86,自动分割与手动分割相比,有效散射体直径(ESD)和有效衰减浓度(EAC)的相对误差分别为17.87%和9.95%。

要点

  • U-Net自动分割肿瘤Dice评分达0.86,可减少手动分割的耗时与操作者依赖。
  • 自动分割与手动分割相比,ESD相对误差17.87%、EAC相对误差9.95%。
  • 有/无脂肪层覆盖条件下分割Dice评分差异小于0.05,各指标无统计学显著差异。

核心结论

  • U-Net模型结合钛珠体内参考目标可自动估计BSC参数,自动与手动分割的ESD相对误差17.87%、EAC相对误差9.95%,提示其有潜力用于准确、实时的肿瘤诊断与治疗监测。

研究设计与样本

  • 动物实验研究,共21只兔、每只2个肿瘤,植入直径2 mm球形钛珠作为体内参考目标。
  • 使用SonixOne超声扫描仪配L14-5/38探头(中心频率7.2 MHz,-6 dB带宽70%),机器工作频率6.6 MHz,RF数据采样率40 MHz,轴向空间分辨率约0.385 mm。
  • 共收集2198帧手动标注扫描帧,按16只兔训练、2只验证、3只测试随机划分,并重复4种不同数据划分(4折验证)。
  • 在肿瘤上方放置约1.5–2 cm厚猪五花肉模拟脂肪层,采集有/无脂肪层覆盖的图像。
  • 以手动标注肿瘤区域作为参考标准,计算Dice评分、准确率、精确率、召回率。

关键影像表现/征象

  • U-Net通常能识别肿瘤区域,但准确性并非完美:预测肿瘤区域有时大于手动选择区域,非肿瘤位置有时被误标为肿瘤。
  • 手动标注图像中肿瘤表面附近故意留出间隙以容纳钛珠,而U-Net预测忽略钛珠存在,形成无间隙的连续肿瘤区域。

诊断标准与关键数值

  • U-Net肿瘤分割Dice评分为0.86。
  • 自动分割与手动分割肿瘤相比,有效散射体直径(ESD)相对误差为17.87%,有效衰减浓度(EAC)相对误差为9.95%。
  • 4种不同数据划分测试集中,有/无脂肪层覆盖条件下Dice评分差异均小于0.05。
  • 有/无脂肪层覆盖条件在4项评价指标上Kruskal-Wallis检验无统计学显著差异(P > .05),召回率呈接近显著趋势(P = .0833)。

临床应用与阅片要点

  • 本方法将U-Net分割与归一化互相关(NCC)珠定位结合,可自动定位参考珠并计算每个数据块的BSC及ESD、EAC。
  • 珠定位时利用肿瘤分割结果将互相关约束在肿瘤区域内,以减少类似珠信号的结构导致的误标。
  • 计算肿瘤BSC时仅使用未识别到珠的数据块,以避免珠信号混入导致BSC估计误差。

局限性

  • 由于无法完全访问SonixOne扫描仪的编程接口和硬件,所有分析和分割均在后期处理中完成,未能实时进行。
  • 此前珠定位方法不能完美识别珠位置,某些情况下乳腺组织内外存在类似珠信号的结构,可能导致误标并降低珠定位准确性。
  • U-Net预测肿瘤区域有时大于手动选择区域,非肿瘤位置有时被误标为肿瘤,且U-Net预测会忽略手动标注中为容纳钛珠留出的间隙。
  • 有/无脂肪层覆盖条件在召回率上呈接近显著趋势(P = .0833),提示衰减可能对分割存在影响。
全文中译15 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:J Ultrasound Med. 2025 Jun 25;44(11):2005–19. doi: 10.1002/jum.16750

背向散射系数

微珠散射函数

Dice相似系数

有效衰减浓度

有效散射直径

同相与正交

局部晚期乳腺癌

新辅助化疗

归一化互相关

定量超声

残差交叉空间注意力Inception U-Net

射频

感兴趣区

前哨淋巴结

在这一特定应用中,我们利用定量超声(QUS)结合基于频谱的技术来表征乳腺癌。乳腺癌是女性中最常见的癌症形式。全球癌症观察站2022年的数据表明,乳腺癌占女性所有癌症发病率的23.8%,占所有癌症相关死亡率的15.4%。1 此外,乳腺癌是美国女性新发癌症病例的首要原因,发病率为每10万名女性119.2例。2 基于频谱的QUS是一种组织表征技术,通过估计肿瘤的背向散射系数(BSC)随频率的变化及相关频谱参数,检查来自组织的射频(RF)或同相与正交(IQ)3 背向散射超声信号的频率内容。QUS方法已广泛应用于乳腺癌应用领域。例如,Nam等4 证明BSC及其衍生参数可以区分癌与纤维腺瘤。Tadayyon等5 证明QUS参数能够早期预测局部晚期乳腺癌(LABC)患者对新辅助化疗(NAC)的肿瘤反应。Osapoetra等6 的研究发现,QUS频谱参数成像结合纹理及纹理衍生分析在乳腺病变的快速、准确和非侵入性表征方面具有很大潜力。Taleghamar等7 评估了使用QUS成像和机器学习在治疗前预测乳腺癌对化疗反应的应用。对181名患者超声数据的分析产生了一种生物标志物,其预测反应的准确率为85.4%,超越了传统临床预测。Argueta-Lozano等8 使用首次临床应用的规范化PEQUS策略,评估了BSC用于乳腺肿块表征的操作者间和操作者内变异性。Klimonda等9 使用QUS在治疗早期阶段检测肿瘤对NAC的反应。这些发现突显了QUS成像在乳腺癌诊断和治疗前癌症表征中的潜力。

大多数BSC估计方法,包括平面反射法[10,11]和参考体模技术[12],都依赖外部参考,而这些方法在考虑从换能器到感兴趣区(ROI)的衰减和传输损耗方面存在局限。[13] 为校正BSC估计中的传输和衰减损耗,Nguyen等[14]引入了一种小型金属珠,即钛(Ti)珠,作为原位参考。该珠可作为放射学标记,也可作为QUS技术的内部参考或校准靶。临床上,活检夹或标记物常被植入乳腺组织,以准确识别和追踪正在接受治疗的区域。在接受NAC的淋巴结阳性乳腺癌患者中,将标记物置入阳性淋巴结内有助于在前哨淋巴结(SLN)手术中准确切除目标淋巴结,从而提高手术分期的准确性。[15,16] 活检夹方法将能够在整个治疗过程中对组织特性进行无创、连续监测,支持更精确、实时的治疗反应评估。

由于参考材料位于样本介质中,从该珠反射的超声信号与样本中相邻区域具有相似的传输和衰减损耗。因此,使用小型金属珠的原位校准方法可以提供校准频谱,该频谱也近似考虑了珠位置附近的传输和衰减损耗。

Cario等[17]对原位珠参考方法的进一步研究表明,即使珠大于波束宽度,通过对珠表面各处的背散射频谱进行平均,仍可获得来自该珠的一致校准频谱。Zhao等[18]的一项近期研究量化了原位参考方法在评估兔乳腺肿瘤中BSC参数(如有效散射直径(ESD)和有效衰减浓度(EAC))时校正衰减损耗的能力。在该研究中,当从上方放置或不放置有损层的肿瘤中估计BSC时,发现珠参考的性能优于参考体模方法。

将肿瘤BSC计算整合到临床实践中,有助于提高诊断准确性和治疗监测。然而,当使用原位珠校准靶时,需要识别包含该珠的帧以及该帧中珠的实际位置。对于外部参考技术,则无需原位识别靶标。此外,当前方法通常需要对ROI进行手动或半自动分割,这既耗时又容易产生变异性。分割对于分离肿瘤区域以进行BSC分析以及自动定位帧中的珠参考是必要的,但这一步骤可能会阻碍QUS技术的实时应用。

先进的深度学习方法,如U‐Net,已被开发用于超声图像中肿瘤分割的自动化,促进了实时分析的潜力。19 使用U‐Net进行乳腺肿瘤超声图像分割已被广泛研究,取得了显著进展。例如,Zhang等20在肿块区域分割中达到了0.898的Dice相似系数。Punn和Agarwal21开发了一种基于深度学习的模型——残差交叉空间注意力初始U‐Net(RCA‐IUnet),专门用于超声成像中的乳腺肿瘤分割。Yang等22提出了一种多任务框架,将基于U‐Net的肿瘤分割与乳腺超声图像的分类任务相结合,在良恶性诊断中达到了97%的平均准确率。U‐Net对数据的高效利用使其能够从极少量图像中进行端到端训练,并优于先前的方法,尤其在可用训练数据稀缺的情况下。通过整合分割工作流程,我们可以促进从肿瘤区域进行一致且即时的BSC计算。此外,这些方法有助于识别图像中的校准珠,从而在诊断和治疗过程中实现快速QUS分析。

本研究提出了一种新方法,重点在于通过肿瘤分割和原位珠参考的自动识别来实现自动BSC评估,而非关注分割本身。通过将先进的分割作为工具而非目的,我们的方法旨在简化BSC参数估计,减少对人工输入的依赖,并加速QUS融入临床工作流程。该方法不仅提高了肿瘤表征的准确性和一致性,促进了原位参考目标的定位,还为实时QUS成像模式铺平了道路,增强了超声在乳腺癌管理中的整体影响力。

材料与方法

在体肿瘤数据采集

兔子实验方案经伊利诺伊大学厄巴纳-尚佩恩分校机构动物护理与使用委员会批准(IACUC方案20087)。本研究共对21只兔子进行了扫描,每只兔子有2个肿瘤,右侧1个,左侧1个。每个肿瘤内植入一枚直径2 mm的球形钛珠,作为在体参考目标。单只兔子的实验持续3至5周,包括3个阶段:肿瘤注射与生长:在2%异氟烷麻醉下,将VX2肿瘤碎片注射到2 kg雌性新西兰白兔的乳腺脂肪垫中。VX2是一种间变性鳞状细胞癌,已被用作多种组织中的肿瘤模型,如乳腺、肝脏、肺和颈部。其特征是生长速度快、血管丰富,并且易于在骨骼肌中繁殖以用于注射到其他部位。兔乳腺VX2模型是乳腺癌的良好模型,因为VX2肿瘤生长迅速且与人类乳腺癌相似,多年来已被用于众多成像和治疗研究。23,24,25,26这通常被用来代替大鼠或小鼠,因为动物的体型允许测试常规成像设备。因此,我们选择VX2模型是因为动物的体型;它已在文献中确立为人类乳腺癌模型,并且我们对该模型较为熟悉。在接下来的2–3周内监测肿瘤生长,直到肿瘤直径达到约2.5 cm。

钛珠注射:当肿瘤直径达到约2.5 cm时,在剃毛并消毒该区域后,用12号不锈钢针将一枚2 mm球形钛珠植入肿瘤区域。

成像与数据采集:在注射当天和钛珠注射后3天,使用配备L14-5/38换能器(中心频率:7.2 MHz,−6 dB带宽为70%)的SonixOne超声成像扫描仪对带有嵌入钛珠的肿瘤进行成像。SonixOne机器以6.6 MHz运行,射频数据以40 MHz采样,对应轴向空间分辨率约为0.385 mm。此外,其中8只兔子处于一项单独的纵向研究中,在第7、17、24天等每周进行扫描,持续至肿瘤变得过大,此时兔子被安乐死。图像采集时分别在有和没有约1.5–2 cm厚的五花肉样本的情况下进行,该样本购自当地超市并放置在肿瘤上方以模拟脂肪层。换能器通过自由手平移在肿瘤上方扫描。这通过堆叠肿瘤的各个帧实现了肿瘤的体积扫描。通过SonixOne超声机器记录射频数据和相应视频文件,用于后处理和BSC估计。每次兔子扫描均获取外部参考体模的扫描。由于我们无法完全访问SonixOne扫描仪的编程接口和硬件,我们不得不在后处理中而非实时进行所有分析和分割。

U-Net架构

如图1所示,该网络由9层序列组成,其中维度配置从64逐步增至128、256、512,并在峰值达到1024,随后在解码阶段对称下降回64,最后以单通道输出。该架构中的每一层均使用3×3卷积核进行卷积操作。卷积之后,网络在所有层中以一致的方式应用修正线性单元(ReLU)激活函数和批归一化。

该网络被设计为以单通道表示的B模式图像作为输入。U-Net生成的输出是描绘肿瘤区域的二值掩膜,以2个通道编码。在该输出中,肿瘤的存在用值1表示,而缺失用0表示。

为训练U-Net,该模型使用了定义为带logits的二元交叉熵的损失函数。优化使用Adam优化器进行。训练方案涉及对整个数据集迭代总共20个epoch,目标是将损失最小化至 substantially low value。

图1 用于肿瘤分割的U-Net网络架构。 查看原图 ↗

肿瘤分割流程

人工标注数据

对于每只兔肿瘤扫描,将采集的射频数据转换为B模式图像以供后续处理。这些扫描根据感知的图像质量进行定性评估,选择具有清晰肿瘤边界和可见内部组织结构的扫描,确保肿瘤内部不为空且适合BSC计算。在每次扫描中,阵列探头沿 elevational 方向物理平移穿过肿瘤,以获取肿瘤体积的图像数据。对于每次肿瘤扫描,我们选择显示最高 bead 信号的扫描作为参考帧,并作为待处理肿瘤体积的中心。总共为每个肿瘤选择10帧。随着探头沿 elevational 方向移动,连续帧代表肿瘤不同平面的成像。在帧编号上以均匀间隔选择十帧(5帧在 bead 帧左侧,另5帧在右侧),沿 elevational 方向从一个侧肿瘤边缘(5层切片)、bead 帧,然后从 bead 帧到肿瘤另一边缘再选择额外4帧。这10帧共同覆盖整个肿瘤,从肿瘤的一个边缘到另一个边缘。这些帧中的肿瘤区域被手动标注为 ground truth。分割过程由一位接受过超声成像培训且熟悉肿瘤形态的单一专家读者进行,以确保整个数据集的准确性和一致性。对于每个选定的肿瘤帧,基于超声图像的视觉检查仔细勾勒肿瘤边界,确保样本间 delineation 一致。每个勾勒边界内的区域被赋予掩膜值1(表示存在肿瘤组织),而边界外的区域被赋予值0(非肿瘤区域)。通过这种方法,我们总共收集了2198个手动标注的扫描帧。

基于U-Net的分割

对于基于深度学习的分割,我们采用了U-Net架构。对于从21只兔子收集的总共2198张图像,数据集被随机分为16只兔子用于训练、2只兔子用于验证、3只兔子用于测试。为增强训练数据的多样性,我们采用了传统的数据增强技术,包括旋转、翻转和弹性形变。所有B模式图像及对应的标注肿瘤区域图像均使用Python中的cv2.resize函数降采样至256×256,以加速U-Net处理。验证集用于监测训练进程并避免过拟合。训练完成后,通过测试图像评估U-Net模型,测试图像分为2组:有脂肪覆盖层和无脂肪覆盖层,以评估脂肪覆盖层带来的额外损失是否引入任何差异。以对应的人工标注肿瘤区域作为金标准,计算准确率、精确率、召回率和Dice评分。整个过程在4种不同划分上重复进行,即4折验证,以确保模型性能的稳健性和可靠性,详细信息见表1。

表1 各数据划分中训练、验证和测试图像的数量 查看原表 ↗

微珠定位

为了将微珠用作原位参考,必须检测包含微珠的成像帧以及微珠在成像帧中的实际位置,以处理微珠信号。此外,微珠在每个肿瘤图像帧中的位置不同,微珠意外包含在用于计算肿瘤BSC的数据块中,可能导致肿瘤BSC估计值及由此衍生的后续参数出现误差。因此,需要对每一帧进行微珠定位。从大量图像帧中手动选择微珠位置是一项费力且具有挑战性的任务,需要个人扫描所有帧、识别可能的帧并标注微珠位置。自动化微珠识别与分离可以显著简化整个BSC数据处理流程。

在先前的研究中,图像中微珠的自动检测是通过将含微珠帧中的微珠位置与参考微珠信号进行相关来实现的。18 首先,选择从6组标注微珠数据中提取的微珠散射函数(BSF)作为参考(如图2所示)。微珠的BSF包含多次回波的混响,并且在信号衰减更大(即样品顶部有脂肪层)的情况下保持一致。接下来,使用动态范围为60 dB的分贝(dB)标度将不同成像帧的RF数据转换为B模式图像。通过将每一帧与BSF进行归一化互相关(NCC)来处理B模式图像。记录每一帧的最大系数值及其位置,并对肿瘤数据集中的所有帧重复该过程。最后,将具有最大互相关系数的帧标记为用于计算微珠参考信号的所需帧。

先前的磁珠定位程序未能完美识别磁珠位置。18 具体而言,在某些情况下,乳腺组织内部或外部存在看起来像磁珠信号的小结构,即具有强主回波和随后几个较小回波的结构。这些结构可能导致错误标记并降低磁珠定位的准确性。由于肿瘤分割,可以将互相关约束在肿瘤区域内,该区域更为均匀且包含较少的类磁珠结构。假设这一附加约束可提高磁珠定位的准确性。

图2 从6组标记磁珠数据中提取的磁珠BSF的B模式成像(右):有(上)和无(下)五花肉覆盖层。 查看原图 ↗

分割的质量指标

Dice评分

在图像分割领域,Dice评分,也称为Dice相似系数(DSC),是一种用于评估分割模型准确性的指标。其数学定义为预测分割与真实标签之间重叠面积的两倍除以预测分割和真实标签分割中像素总数,它提供了模型性能的度量,

Dice评分的范围为0到1,其中1表示模型预测与真实标签之间完全一致。Dice评分在数学上等价于F1评分,后者是精确率和召回率的调和平均值。该指标在类别不平衡的场景中尤其有价值,因为它同时考虑了假阳性和假阴性。它提供了模型准确分割图像能力的平衡视图,使其成为评估医学图像分割任务的标准选择。

准确率、精确率和召回率

在机器学习和统计建模领域,评估分类模型的性能对于确定其在预测分析中的效力是必要的。四个主要指标,即准确率、精确率、召回率和F1评分,被广泛用于此评估,每个指标都提供了对模型性能特征的不同见解。对于此二分类肿瘤分割任务,F1评分与Dice评分相同。

准确率衡量模型预测的整体正确性。精确率计算阳性预测的准确性,在假阳性代价高昂时至关重要。召回率评估识别所有实际阳性的能力,在医学诊断等领域至关重要,以避免遗漏关键检测。其中TN表示真阴性,TP表示真阳性,FN表示假阴性,FP表示假阳性。

QUS参数的提取

对于每一帧,将分割出的肿瘤区域(包括手动标注和U-Net分割)分离成小数据块(3 mm × 3 mm,每边约10个脉冲长度),重叠率为75%,并使用微珠参考法计算每个肿瘤区域的平均BSC,其中微珠被注入肿瘤内。原位微珠参考假设微珠所在位置组织的透射和衰减损耗与微珠所在同一深度的相邻组织的透射和衰减损耗大致相同。此外,来自微珠的背散射信号远大于来自周围组织的信号。在这两个假设下,样本的BSC可以从微珠计算得到的背散射功率谱中估计:其中和分别为微珠和肿瘤的功率谱,和分别为微珠和肿瘤的BSC。27组织层中的衰减和透射损耗(假设对微珠相同)通过除法被消除。由于BSC与系统和操作者无关,特定材料和尺寸的微珠的BSC只需在所有实验中计算一次。2 mm钛微珠的BSC通过测量嵌入组织模拟体模中的微珠的超声背散射信号来估计。18

两个与散射体相关的参数,ESD和EAC,使用球形高斯散射模型从BSC中估计得到11, 28,其中为BSC,为粒子的平均数密度,k为波数,d为特征尺寸,为平均粒子体积,为散射体与周围介质之间的阻抗分数变化。对于,Z和Z 0分别为散射体阻抗和周围介质阻抗。

ESD与特征尺寸d之间的关系为:ESD = 3.11d,与之积称为EAC。估计的ESD和EAC提供了肿瘤微结构的物理解释。

自动BSC估计

结合U-Net肿瘤分割、微珠定位和BSC估计,我们可以按照简单流程实现BSC估计的自动化。1)首先将RF文件转换为B模式图像,然后由U-Net处理以识别肿瘤区域。2)通过将BSF NCC算法与U-Net分割的肿瘤区域相结合,我们能够自动定位参考微珠。该微珠作为BSC计算的参考点。3)然后计算分割肿瘤中每个数据块的BSC,并从相应的BSC中估计每个数据块的ESD和EAC。只有未识别出微珠的数据块才用于肿瘤中BSC的计算。

结果

兔乳腺肿瘤分割

图3展示了3张测试图像,以说明U-Net的肿瘤检测能力。总体而言,U-Net成功识别了肿瘤区域,尽管其准确性并非完美无缺。如底部图像所示,预测的肿瘤区域有时可能大于手动选择的肿瘤。中间图像突出显示了非肿瘤位置也被错误标记为肿瘤部分的情况。一个值得注意的例子是顶部图像,其中观察到U-Net预测与手动标记之间存在差异。在手动画标记的图像中,肿瘤表面附近故意留有间隙以容纳珠子,而U-Net预测忽略了珠子的存在,导致肿瘤区域连续而无此间隙。在使用不同分割方法的4组测试图像中,评估指标显示手动画标记的地面真值与U-Net预测图像之间高度一致,并且4个不同分割测试集之间也一致。这突显了U-Net在预测肿瘤图像方面的稳健能力,表明其独立于数据分割的变化。此外,“无脂肪叠加”和“有脂肪叠加”条件之间的差异极小。在4个不同分割集中,有或无脂肪叠加层分割之间的Dice评分差异低于0.05,表明U-Net模型在有或无脂肪叠加的情况下表现一致。为了评估额外覆盖组织的存在是否显著影响分割性能,我们进行了Kruskal-Wallis检验,比较4个评估指标下的“有脂肪叠加”和“无脂肪叠加”条件。结果显示无统计学显著差异(P > .05),尽管在召回率中注意到存在显著趋势(P = .0833),表明衰减可能影响模型对肿瘤区域的敏感性。所有4个测试集的评估指标总结在表2中。由于在4个不同分割中观察到性能指标的一致性,我们利用分割方法一的数据,包括251张图像(148张无脂肪叠加层和103张有脂肪叠加层),进行后续分析,包括计算时间比较、珠子定位和QUS参数估计。此选择是为了简化讨论而不牺牲通用性。

图4展示了所有251个测试病例的Dice评分直方图。它表明150组的Dice评分大于0.9,221组的Dice评分超过0.8,展示了有效的肿瘤分割性能。考虑到由于手动画标记的固有近似性和人为错误的可能性,U-Net分割的肿瘤区域与手动标记区域之间的完美匹配是无法实现的,这些评分强调了U-Net在兔肿瘤图像分割中的有效性和可靠性。图5说明U-Net难以准确预测小和大肿瘤,特别是那些肿瘤与图像面积比小于0.05或大于0.175的肿瘤。

图3 B模式图像(左)、手动画标记的肿瘤区域(中)和预测的肿瘤区域(右)。 查看原图 ↗
表2 U-Net模型在4个测试场景中的性能评估指标 查看原表 ↗
图4 221张测试图像的Dice评分直方图。 查看原图 ↗
图5 肿瘤与图像面积比的比较直方图:手工标注(左)与U-Net分割(右)的肿瘤区域。 查看原图 ↗

微珠定位

图6展示了肿瘤区域在准确定位微珠中的作用。在左侧图像中,使用NCC方法错误地识别了微珠。这种错误标记的发生是因为肿瘤外部一个类似微珠的区域导致了高NCC系数。然而,当NCC仅应用于肿瘤内部时,微珠被正确定位。这种准确性的提高部分归因于肿瘤内部更为均匀的特性,使得微珠相比其他区域更容易区分和准确识别。

我们还在251个测试集上测试了微珠定位方法的准确性。仅使用BSF NCC方法时,34帧中的微珠被错误标记。当仅将搜索范围限定在分割的肿瘤区域内时,错误标记的微珠帧数降至14帧。新的微珠检测方法成功消除了超过一半的错误标记图像,提高了准确性。微珠检测的准确率从86.45%提高到94.42%,表明U-Net肿瘤区域分割方法不仅可以帮助BSC估计,还可以帮助定位微珠,促进自动化和潜在实时的BSC估计和映射。在14帧错误标记的图像中,微珠信号过于微弱,BSF方法无法准确识别微珠的位置,如图7所示。

图6 整幅图像的NCC图及错误标记的微珠位置(左);预测的肿瘤区域及肿瘤内部区域(中);聚焦于肿瘤内部区域的NCC图及正确识别的微珠位置(右)。 查看原图 ↗
图7 肿瘤区域内的NCC图(左)及错误标记的微珠位置(右)。 查看原图 ↗

QUS参数:自动分割与人工分割肿瘤的比较

图8展示了U-Net分割肿瘤的ESD图与手工标注肿瘤区域的ESD图之间的比较。这两幅图像之间ESD图的相似性表明U-Net能够准确分割肿瘤图像并生成可靠的QUS图。随后我们计算了U-Net与人工分割肿瘤之间平均ESD和EAC的相对误差。平均ESD和EAC值是通过对肿瘤中所有分离的3 mm × 3 mm方块的值取平均计算得出的,排除了ESD值等于1的方块,因为这些方块不符合BSC的高斯模型。相对误差定义为:

对于所有251个测试集,平均ESD相对误差为17.87%,平均EAC相对误差为9.95%。误差的主要来源来自一次肿瘤扫描,其中U-Net错误地将非肿瘤组织识别为肿瘤。图9A展示了这种错误的一个实例。在我们剔除该数据集后,平均ESD相对误差降至9.30%,平均EAC相对误差降至6.67%。此外,U-Net通常无法像人工标注那样精确地描绘肿瘤边缘,如图9B所示,肿瘤周围具有与肿瘤不同参数的组织层导致了BSC估计的不准确。这也表明U-Net不擅长检测小肿瘤,正如我们之前所讨论的。

图8 U-Net分割肿瘤区域(左)与手工标注肿瘤区域(右)的ESD图。 查看原图 ↗
图9 手工分割肿瘤(中)与U-Net分割肿瘤(下)的ESD图。 查看原图 ↗

讨论

U-Net用于兔乳腺肿瘤自动分割及后续BSC估计的结果证明了该算法的有效性和高效性,突显了其简化传统手工方法并实现实时应用的潜力。一旦完成训练,该方法可显著减少肿瘤分割所需的时间和精力。本研究强调了精确肿瘤分割中固有的挑战,并提示自动化技术可增强人工的准确性和专业性。

尽管U-Net常用于肿瘤分割,但本研究中将U-Net获得的分割肿瘤区域用于BSC估计,代表了一种新颖的方法。ESD和EAC结果与手工标注数据一致,即使在低信噪比图像中也是如此,而低信噪比有时会导致分割不准确。在肿瘤边界不清晰的情况下,即使经验丰富的专家也可能需要额外时间,从而导致潜在错误。因此,U-Net在这些条件下可能偶尔无法准确分割肿瘤,这凸显了持续改进深度学习模型和持续人工监督的必要性。

使用原位Ti珠作为BSC计算的参考可补偿衰减和传输损耗,但引入了珠定位的挑战,这需要额外时间。此前,我们使用全图NCC进行珠检测,偶尔会误识别类似珠的非肿瘤组织。18 将NCC限制在肿瘤区域内可将珠定位准确率从86.45%提高到94.42%,减少人工验证并增强该方法用于实时应用的可靠性。当珠信号较弱时会出现局限性,导致定位错误。一种潜在解决方案是利用多帧聚合更多关于肿瘤和珠位置的数据,从而提高准确性。因此,U-Net的输入可由多幅B模式图像而非单帧组成。

U-Net显著加速了肿瘤分割,仅在39.91秒内处理了251幅测试图像,减少了人工劳动,并提示在成像过程中实时BSC估计的可行性。虽然网络训练需要初始投入,但训练后的模型可用于各种兔肿瘤扫描,展示了其在诊断工作流程中的实用性。

利用这些进展,实现了对由训练后的U-Net分割肿瘤进行自动BSC估计。使用约束NCC在每个扫描中定位参考珠,识别信号最强的珠。分割肿瘤区域被划分为特定大小的框用于QUS成像。U-Net的快速处理使潜在实时应用成为可能,因为检查过程中无需手工分割。

在不同成像条件下测试U-Net至关重要,例如低信噪比场景。虽然当前扫描产生了高信噪比和对比度,但通过绷带等障碍物成像可能降低图像质量,影响分割准确性。引入其他深度学习策略可增强U-Net的稳健性,确保即使在具有挑战性的条件下也能精确分割。

虽然训练数据集由16只兔子组成,按深度学习标准来看相对较小,但每只兔子提供多个成像帧,增加了有效数据集规模。此外,采用了数据增强策略以提高泛化能力。当前模型旨在作为基础分割框架,目标是通过持续获取数据逐步提升性能。随着我们向临床使用过渡,我们设想应用迁移学习技术使模型适应人类数据。该策略允许模型通过纳入新的患者扫描数据随时间演进,最终构建一个稳健、持续改进的分割系统,适用于多样化临床场景。

VX2肿瘤表现出广泛的组织结构,代表了潜在的散射体尺寸的广泛分布,从约20–30 μm的单个癌细胞,到多细胞排列或细胞簇(50–100 μm或更大),再到组织学上不同区域之间的界面(例如,存活组织与坏死组织具有>100 μm的可变尺寸)。基于球形高斯模型(当散射模型未知时通常选用该模型),从所有兔子肿瘤估计的平均ESD为72.6 ± 21.2 μm。ESD估计值是散射体积内不同散射源的函数。由于所识别的结构尺寸多样,ESD估计值代表了对潜在结构的有偏估计。

未来的工作将侧重于优化分割算法以最小化误差,并将这些先进技术整合到临床环境中。这将通过更准确和及时的数据解读来增强诊断和治疗规划。还将探索在额外的人类数据上测试U-Net,并与兔子肿瘤模型进行比较。

结论

本研究证明了U-Net在兔子乳腺肿瘤自动分割以及改善校准微珠识别以促进BSC估计方面的有效性。通过在从16只兔子采集的兔子乳腺肿瘤图像上训练并在3只兔子的图像上测试,U-Net表现出稳健的性能,显著减少了肿瘤分割所需的人工工作量。此外,4种不同拆分方法的测试结果突出了U-Net的一致性和可靠性,与拆分策略无关。肿瘤分割的使用还提高了自动检测校准微珠正确位置的能力,将错误分类的数量减少了近一半。这些有希望的结果表明,使用原位校准靶进行实时BSC计算的潜力,这可能通过实现即时反馈和改善肿瘤表征中的临床工作流程来增强QUS应用。

引用

  1. Zhao Y, Kou Z, Louie C, et al. Toward Real-Time Backscatter Coefficient Estimation Incorporating the U-Net Segmentation and an In Vivo Reference Target. J Ultrasound Med. 2025. PMID: 40557950. doi:10.1002/jum.16750
  2. 全文:PMC12511826(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12511826/

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。