基于常规多参数MRI的脑膜瘤全自动深度学习检测与分割
本研究在56例术前脑膜瘤MRI数据上评估基于DeepMedic架构的深度学习模型(以249例胶质瘤训练)的自动检测与分割性能,并与两位放射科医师共识手动分割比较。模型在55/56例中检出脑膜瘤,检测准确率98%;全肿瘤体积和强化肿瘤体积的平均Dice系数分别为0.81±0.10和0.78±0.19。作者认为该模型可准确自动检测和分割脑膜瘤,可能改善治疗计划和监测。
要点
- 深度学习模型在55/56例中检出脑膜瘤,检测准确率98%。
- 全肿瘤体积平均Dice系数0.81±0.10,强化肿瘤体积0.78±0.19。
- 颅底脑膜瘤分割Dice略低于凸面,但差异无统计学意义。
核心结论
- 基于深度学习模型的脑膜瘤自动检测和分割准确可靠,可能改善这一高发肿瘤实体的监测和治疗。
- 精确标准化的肿瘤体积定义有助于更敏感地检测肿瘤生长。
- 自动检测可作为放射科医师的预评估、预选和控制机制。
研究设计与样本
- 回顾性研究纳入2012年1月至2016年5月在科隆大学医院因脑膜瘤治疗转诊的136例患者中的56例,均经组织学确诊为WHO I级(n=38)或II级(n=18)。
- 纳入要求为治疗前完整MRI数据集,包括T1加权、T2加权、FLAIR和T1加权增强(T1CE)序列。
- MRI来自转诊机构的不同扫描仪(n=37;1.0、1.5、3.0 T)和科隆大学医院本地扫描仪(n=19;1.5和3.0 T)。
- 深度学习模型基于DeepMedic架构,在249例胶质瘤独立数据集上训练,按BRATS基准定义分割四类肿瘤区域。
- 参考标准为两位放射科医师在FLAIR和T1CE上共识手动分割。
关键影像表现/征象
- 脑膜瘤典型表现为宽基底附着于硬脑膜、边界清晰,呈明显层状对比增强,T2加权和FLAIR上通常与脑实质等信号至高信号。
- 瘤周脑实质水肿可能存在,尤其见于肿瘤体积较大的脑膜瘤。
- 非典型和间变性脑膜瘤体积较良性脑膜瘤大,且更高级别脑膜瘤生长更快。
- 间变性III级脑膜瘤MRI表现不同,常形态不规则。
- 目前尚无明确影像学标准能可靠区分I级和II级脑膜瘤。
诊断标准与关键数值
- 自动检测准确率98%(55/56例检出)。
- 全肿瘤体积(TTV,FLAIR与T1CE肿瘤体积的并集)平均Dice系数0.81±0.10(范围0.46-0.93)。
- T1CE强化肿瘤体积平均Dice系数0.78±0.19(范围0.27-0.95)。
- TTV与T1CE肿瘤体积的Dice系数无显著差异(p>0.05)。
- I级与II级脑膜瘤的Dice系数无显著差异:TTV为I级0.80±0.11 vs II级0.83±0.07;T1CE肿瘤体积为I级0.76±0.21 vs II级0.83±0.11。
临床应用与阅片要点
- 自动检测和分割可在阅片前作为预处理,可能允许更详细的肿瘤体积分析和进一步多参数图像分析。
- 自动分割可减少读者间偏差,提高肿瘤体积定义的稳健性和可重复性。
- 颅底脑膜瘤自动分割表现略差于凸面脑膜瘤(TTV Dice:颅底0.78±0.12 vs 凸面0.82±0.08;T1CE TV Dice:颅底0.73±0.23 vs 凸面0.81±0.15),但差异无统计学意义。
- 作者计划在未来研究中将手动脑膜瘤分割作为训练数据适配该深度学习模型以改善结果。
局限性
- 本研究为回顾性设计。
- 研究测试的是已知脑膜瘤的分割,未测试脑膜瘤总体检测的准确性。
- 未测试深度学习模型在正常脑MRI中分割假阳性肿瘤体积的程度。
- 自动与手动分割之间的分割准确度可能仍过于初步,尚不适合临床应用,应在未来研究中评估。
- 病例数相对较少,可能无法反映所有类型和大小的脑膜瘤。
全文中译12 节 · 点击展开
引言
脑膜瘤是起源于脑膜上皮细胞的肿瘤,是最常见的颅内肿瘤之一,在常规脑磁共振成像(MRI)中的发病率为0.9% [1–5]。几乎三分之一的原发性颅内病变为脑膜瘤 [2]。根据世界卫生组织(WHO)的分类,这些病变被分为良性(I级)、非典型(II级)或间变性(III级)[1, 6, 7]。组织学分级可用于预测脑膜瘤的生物学行为和预后。已有详细研究表明,II级和III级脑膜瘤与复发风险增加、侵袭性和侵袭性生长相关 [3, 8, 9]。
MRI是脑膜瘤诊断和特征描述、切除规划、治疗决策和治疗监测的关键方法 [5, 7, 10]。典型脑膜瘤呈无蒂或透镜状,边界清晰,伴有宽基底硬膜附着。它们具有明显的层状对比增强,在T2加权和液体衰减反转恢复(FLAIR)图像上通常呈等信号至稍高信号。表观扩散系数(ADC)值在脑膜瘤之间可能差异显著,且通常与正常脑组织呈等信号 [7]。脑实质瘤周水肿可能存在,尤其是当脑膜瘤体积较大时 [7]。与良性脑膜瘤相比,非典型和间变性脑膜瘤表现为更大的肿瘤体积 [1, 11]。此外,更高级别的脑膜瘤表现出更快的肿瘤生长 [1]。然而,迄今为止尚无明确的影像学标准能够可靠地区分I级和II级脑膜瘤。间变性III级脑膜瘤在MRI上表现不同,且常呈不规则形状 [5]。
据我们所知,迄今为止尚无关于脑膜瘤全自动检测和分割的研究。由于脑膜瘤的肿瘤进展通常较缓慢、呈多灶性且向不同方向生长,脑膜瘤的自动检测可能有助于促进和改善图像阅片。关于MRI中脑膜瘤的手动容积评估,已有研究表明,与二维评估相比,三维评估对肿瘤进展的检测具有更高的敏感性 [1, 12]。因此,在评估肿瘤生长时,脑膜瘤的容积评估优于传统的直径方法,但耗时较长 [1, 12, 13]。此外,脑部MR图像的容积评估常在常规图像评估中进行,且对许多神经系统疾病(如脑肿瘤)是必要的 [14]。
相比之下,MRI中脑膜瘤的自动检测和分割可作为阅片前的预处理进行,可能有助于对肿瘤体积进行更详细的分析以及进一步的多参数图像分析。此外,自动肿瘤分割和评估可能因减少阅片者间偏倚而提高稳健性和可靠性 [14]。由于初诊时的肿瘤体积与复发率相关 [1, 12],精确的容积评估可能有助于区分脑膜瘤级别。然而,生长与组织学分级之间的相关性尚不明确,需要进一步评估 [1, 11, 12]。
自动脑肿瘤分割算法若要可靠,需应对若干挑战,例如解剖结构变异、不同MRI扫描仪导致的影像数据差异以及扫描仪参数的变化。此外,脑肿瘤等病变的表现差异很大[5, 14]。深度学习模型(DLMs)的技术进步使自动肿瘤检测取得显著改善,该技术目前正处于临床常规应用的前夕[13, 15, 16]。DLMs通过多个处理层和抽象层次工作,形成深度卷积神经网络,其自学习能力需要大量训练数据来提取复杂的特征层次结构[14, 17, 18]。神经网络架构由用于卷积、池化和分类的不同层组成[14]。所需的训练数据和分割“金标准”通常通过手动分割获得。对于手动脑肿瘤分割,已有报道称评分者内部和评分者之间的变异性高达20-30%[14, 19]。除深度学习外,其他(半)自动方法也被用于脑肿瘤分割,尤其是针对最常见的颅内肿瘤,即脑膜瘤和胶质瘤。对于半自动分割,已应用多种方法,如区域生长、随机游走、非负矩阵分解、模糊聚类和活线算法[20–24]。自动肿瘤体积定义也已应用于放疗后患者,使用基于Chan-Vese活动轮廓方法和患者特异性强度的算法[25]。
本研究的目的是利用深度学习模型,对来自包括转诊机构在内的不同扫描仪的常规多参数MRI数据,研究I级和II级脑膜瘤自动检测和分割的可靠性。
材料与方法
患者
本研究经当地机构审查委员会批准。本回顾性研究纳入2012年1月至2016年5月期间转诊至科隆大学医院接受脑膜瘤治疗的136例患者(图1)。所有诊断均根据WHO指南经组织学确认[6, 8]。仅纳入治疗前具有完整可用MRI数据集的患者,其中T1加权、T2加权、FLAIR和T1加权对比增强(T1CE)MRI序列被定义为研究纳入的必要条件。层厚范围为1.2至6 mm。9例患者被排除,原因包括(1)存在第二肿瘤实体(n = 3),(2)严重白质脑病影响FLAIR肿瘤分割(Fazekas III级,n = 4),以及(3)患者移动导致的严重伪影(n = 2)。56例患者符合所有标准并纳入本研究。
MRI
所有扫描均因临床指征而进行。MRI采集在转诊机构的不同扫描仪上进行(n = 37;1.0、1.5、3.0 T;(1)Siemens MRI型号:Avanto、Espree、Aera、Verio、Essenza(Siemens,埃尔朗根,德国),(2)Toshiba Titan(Toshiba,东京,日本)和(3)Philips MRI型号:Panorama、Intera、Achieva、Ingenia(Philips Healthcare,贝斯特,荷兰),以及在科隆大学医院的本地扫描仪上进行[n = 19,Philips型号:Achieva、Ingenia、Intera;1.5和3.0 T(Philips Healthcare,贝斯特,荷兰)]。MRI扫描参数见补充表S1。在科隆大学医院,对于T1CE MR图像,患者经静脉注射钆(Dotarem;Guerbet,鲁瓦西,法国:0.5 mmol/ml,即1 ml = 279.32 mg钆特酸 = 78.6 mg钆),浓度为0.1 mmol/kg体重。转诊机构的对比剂应用未标准化。
手动分割
手动分割(半自动)由两名放射科医师在共识阅读中使用IntelliSpace Discovery(Philips Healthcare,贝斯特,荷兰)进行。对比增强肿瘤以及FLAIR等信号至髙信号的肿瘤以及周围髙信号水肿被定义为肿瘤体积,并在T1CE和FLAIR图像中分别分割。总肿瘤体积(TTV)定义为T1CE和FLAIR中肿瘤体积的并集,包括实性对比增强肿瘤部分、FLAIR中周围水肿以及如果存在的肿瘤坏死。T1CE肿瘤体积定义为T1CE图像中的对比增强肿瘤体积。
基于自动深度学习的分割
用于自动检测和分割的DLM在249例胶质瘤病例的独立数据集上进行了训练。DLM对四种肿瘤类别(水肿、对比增强肿瘤、坏死、非增强肿瘤)进行体素级分类,如BRATS基准所定义[26]。
MR图像在输入自动分割之前,使用既定工具(SPM8,Wellcome Trust神经影像中心,伦敦,英国;Intellispace Discovery,Philips Healthcare,贝斯特,荷兰)进行预处理。处理流程包括(1)偏场校正,(2)共配准,(3)颅骨剥离,(4)重采样至1 × 1 × 1 mm3的各向同性分辨率以及(4)归一化至零均值和标准差为一。DLM基于DeepMedic架构[15],使用深度3D卷积神经网络,随后使用3D全连接网络去除假阳性。3D卷积神经网络包括两条通路,应用不同的图像分辨率以捕捉肿瘤外观的短程和长程特征。用于分析的提取肿瘤体积为TTV以及T1CE TV。
统计分析
统计分析使用JMP软件(V12;SAS Institute,卡里,美国)进行。定量结果以均值(±标准差)显示。Wilcoxon符号秩检验用于确定统计学差异。统计显著性设定为p < 0.05。
为评估自动分割,将所得肿瘤体积与手动金标准注释进行比较。对于TTV和T1CE TV,分割在体积和体素级准确性方面进行比较。如前所述,准确性使用Dice系数(相似性指数)[27]计算为金标准分割S1和模型分割S2的重叠:
结果
患者
56例成年患者包括28例女性和28例男性,平均年龄59.1 ± 13.7岁(范围,33-86岁)。38例患者为I级脑膜瘤,18例患者为II级脑膜瘤,包括大脑镰脑膜瘤(n = 6)、凸面脑膜瘤(n = 24)、蝶骨翼脑膜瘤(n = 9)、嗅沟脑膜瘤(n = 4)、鞍上脑膜瘤(n = 2)、后颅窝脑膜瘤(n = 10)以及附着于窦的脑膜瘤(n = 1)。
T1CE手动分割的平均肿瘤体积(TV)为30.9 ± 25.9 cm3,总肿瘤体积(TTV)为T1CE和FLAIR手动分割肿瘤体积的并集,为74.0 ± 67.2 cm3。自动检测的TV较小:T1CE中的TV为22.8 ± 18.8 cm3,TTV为67.9 ± 58.8 cm3。按定位分类的额外详细TV数据见表1。
检测
在56例患者中的55例,深度学习模型(DLM)检测到脑膜瘤的存在,检测准确率为98%。唯一未检测到的脑膜瘤是一例位于颅底(蝶骨)的II级脑膜瘤,肿瘤体积较小,为12.7 cm3,周围水肿较小,为3.6 cm3。肉眼观察,该肿瘤易于检测(图2)。
分割
手动分割与基于深度学习的自动分割在TTV和强化肿瘤体积方面相关性良好。TTV的平均Dice系数为0.81 ± 0.10(范围,0.46-0.93),T1CE肿瘤体积为0.78 ± 0.19(范围,0.27-0.95)。TTV与T1CE TV的Dice系数之间无显著差异(p > 0.05)。此外,Dice系数在I级和II级脑膜瘤之间无显著差异。对于TTV,I级的平均Dice系数为0.80 ± 0.11,II级为0.83 ± 0.07。T1CE肿瘤体积的平均Dice系数在I级为0.76 ± 0.21,在II级为0.83 ± 0.11。
在大多数病例中,基于DLM的自动分割在两个定义的肿瘤体积之一中表现良好,TTV或T1CE的Dice系数较高(超过0.90)。在三例患者中,TTV和T1CE的Dice系数均为0.90或更好。一例左侧额叶II级脑膜瘤伴周围水肿的患者显示了最佳的自动分割,TTV的Dice系数为0.92,T1CE TV为0.95(图3)。
在某些患者中,自动分割表现不佳,导致Dice系数低于0.70。这主要见于TTV或T1CE肿瘤体积之一。TTV有三例Dice系数低于0.70,T1CE TV有九例。仅在一例蝶骨小旁正中I级脑膜瘤无周围水肿的患者中,TTV(0.52)和T1CE肿瘤体积(0.58)的Dice系数均低于0.70(图4)。
在16例附着于颅底的脑膜瘤中,自动分割的表现似乎略差于位于颅骨凸面的脑膜瘤,但差异无显著性。颅底脑膜瘤的TTV平均Dice系数为0.78 ± 0.12,颅骨凸面脑膜瘤为0.82 ± 0.08。T1CE肿瘤体积的平均Dice系数在颅底为0.73 ± 0.23,在颅骨凸面为0.81 ± 0.15。
讨论
本研究探讨了DLM对脑膜瘤的自动检测与分割。该方法被证明能够实现准确的检测与分割,尽管本研究纳入了来自不同扫描仪的多种MR图像,包括来自转诊机构的数据(占可用图像的66%)。检测准确率高(>98%)。自动分割与手动分割相关性良好。以Dice系数衡量的重叠度在TTV和T1CE TV中均较高(分别为0.81和0.78)。这些结果与近期发表的其他使用深度学习的脑病变分割研究[14, 15, 28–31]以及考虑阅片者内和阅片者间变异性的通用分割准确率[14, 19]相当。多种具有不同技术规格的深度卷积神经网络已被应用于脑肿瘤分割并接受测试[13, 26]。胶质瘤是具有重要临床意义的脑肿瘤,也是自动肿瘤分割研究的焦点。迄今为止的结果令人鼓舞,甚至能够准确区分不同的肿瘤分区[13–15, 28, 29, 32–34]。脑膜瘤分割也一直是研究焦点,多种半自动和自动方法在TV定义方面显示出良好结果[23–25, 35]。近期一项研究探讨了TV定义在接受立体定向放射治疗脑膜瘤纵向评估中的准确性。据报道,对比增强肿瘤部分的分割准确率较高,Dice系数为0.87;然而,该方法使用手动治疗前分割来后续进行治疗后自动TV定义,因此难以将这些结果与我们的全自动方法进行比较。尽管如此,Shimol等[25]的研究设计具有出色的临床针对性,其工作流程似乎非常适合临床脑膜瘤监测,因为它通过上述专家在治疗前扫描中的脑膜瘤勾画以及为治疗后分割数据临床验证而进行的手动调整,包含了准确且一致的放疗后测量。众所周知,瘤周水肿的范围对临床结局以及术中表现具有决定性影响。因此,体积定义似乎是必要的,并已通过半自动方法达到令人满意的水平[23]。基于区域生长和模糊聚类的半自动方法也被证明在平扫T1和T2加权MR图像中可行[24]。
正如我们研究所展示的,脑肿瘤的准确自动检测具有临床相关性,因为它可以对病变和优先患者进行预选,并作为放射科医生的计算机辅助设备控制机制[13, 20, 36–39]。除此之外,自动分割为影像常规中的临床评估提供了改进方法,因为它可能允许更精确的治疗计划(图5)、增强检测并改善监测或通过影像组学方法对肿瘤特征进行额外评估[1, 11–13, 40]。此外,自动检测允许高可重复性,因为它避免了肿瘤体积定义的评估者间和评估者内变异性,而后者已被报道为较高[14, 19]。可靠的肿瘤生长体积检测将允许改进治疗决策,因为常规直径方法往往低估肿瘤生长[1, 12]。此外,临床常规中的体积评估耗时,因此自动分割是有必要的。自动评估可进一步转化为立体定向放射治疗和手术计划的目的[5, 13, 38, 41, 42]。
所应用的深度学习模型(DLM)是在胶质瘤影像数据上训练的。尽管两种肿瘤实体的表现不同,检测和分割准确率仍然很高。胶质瘤由强化肿瘤部分、坏死和周围水肿组成,且变化相当大。相比之下,脑膜瘤表现为实性强化肿瘤伴周围水肿,坏死较少见。脑膜瘤往往显示出比例如胶质母细胞瘤更不复杂的肿瘤结构,因此可以认为分类准确率应该更高。但有若干具有挑战性的方面使脑膜瘤的分割同样困难:(1)FLAIR中的周围水肿可能导致复杂的肿瘤结构,如图5所示;(2)脑膜瘤主要位于与硬脑膜和/或颅底相关的区域,存在相邻的高信号结构(如硬脑膜、血管),使勾画具有挑战性;(3)FLAIR信号强度差异很大,脑膜瘤甚至可表现为与正常脑组织等信号;(4)当强化肿瘤邻近存在水肿和坏死时,脑膜瘤及周围组织也呈现异质性[5, 7, 20, 43, 44]。因此,所提供的肿瘤检测和分割算法似乎适用于不同的脑肿瘤实体甚至其他脑病变。考虑到颅底脑膜瘤,所应用的DLM表现略差于凸面病变。尽管这一发现不显著,但重要的是要考虑,因为放射科医生在该区域进行病变分割时可能最需要DLM的辅助。此外,需要讨论轴内胶质瘤训练数据是否或在多大程度上可能影响颅底轴外脑膜瘤检测和分割的性能。因此,额外的脑膜瘤作为所应用DLM的训练数据可能会增强未来的性能。其结果应是一个用于神经肿瘤学的多功能检测和分割工具。
本研究除回顾性研究设计外,尚有若干局限性需要考虑。由于本研究检验的是已知脑膜瘤的分割,因此本研究并未检验一般脑膜瘤检测的准确性。此外,也未检验深度学习模型(DLM)在正常脑MRI中分割假阳性肿瘤体积的程度。进一步而言,所呈现的自动分割与手动分割之间的分割准确性对于临床应用而言可能仍过于初步,应在未来研究中加以评估。相对较少的病例数可能无法反映所有类型和大小的脑膜瘤。可用的图像数据相当多样,因为其中包括来自转诊机构的检查。此外,胶质瘤被用作DLM的训练数据;然而,本研究旨在评估尽管训练存在差异且尽管影像数据具有异质性(如临床常规中会出现的那样),自动检测和分割在多大程度上是可能的。本研究并非旨在呈现专门为脑膜瘤分割设计的DLM。尽管如此,我们计划将所应用的DLM以手动脑膜瘤分割作为训练数据进行适配,以在未来的研究中取得改进的结果。
结论
基于DLM的脑膜瘤自动检测和分割准确且可靠。精确且标准化的肿瘤体积(TV)定义可更敏感地检测肿瘤生长,从而可能改善对这一高发肿瘤实体的监测和治疗。此外,通过机器学习的自动检测可作为预评估和预筛选的有用工具,以及放射科医师的控制机制。
电子补充材料
ESM 1(DOCX 21 kb)
引用
- Laukamp KR, Thiele F, Shakirin G, et al. Fully automated detection and segmentation of meningiomas using deep learning on routine multiparametric MRI. Eur Radiol. 2018. PMID: 29943184. doi:10.1007/s00330-018-5595-8
- 全文:PMC6291436(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6291436/
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。