利用卷积神经网络评估计算机断层扫描图像中白质病变的严重程度
研究使用卷积神经网络(CNN)从CT图像自动分割白质病变(WML),并与MRI FLAIR分割结果比较。共纳入147对CT-MRI图像,CT与MRI自动分割体积的Pearson相关系数为0.94,Fazekas 3组平均Dice相似指数为0.68,基于体积估计Fazekas分组的正确率为78%。结论提示基于CNN的CT分割可能提供评估WML严重程度的手段。
要点
- CT与FLAIR自动分割的WML体积高度相关,相关系数0.94,拟合斜率0.96。
- Fazekas 3组CT与FLAIR分割的平均Dice相似指数为0.68,全数据集平均为0.43。
- 基于自动WML体积估计Fazekas分组,CT和FLAIR的正确率均为78%。
核心结论
- 基于CNN的CT图像分割可能提供评估WML严重程度的手段,并建立CT WML模式与当前基于MRI的视觉评分量表之间的联系。
- CT与MRI自动分割的WML体积高度相关(相关系数0.94),CT分割既未低估也未高估FLAIR分割的WML体积(拟合斜率0.96)。
研究设计与样本
- 回顾性分析芬兰赫尔辛基大学医院临床影像档案中2014年1月至2016年12月系统筛选的CT-MRI图像对,共147对。
- 图像来自赫尔辛基大学医院及赫尔辛基地区五家区域医院,MRI使用Siemens和Philips扫描仪,CT使用Siemens和GE设备。
- 纳入标准为CT和MRI均在6周内采集;排除肿瘤、皮层梗死、血肿(微出血除外)、多发性硬化病灶及挫伤。
- 由普通放射科医生和神经放射科医生根据MRI图像将图像分为三个Fazekas组:Fazekas 0–1为无至轻度WML,Fazekas 2为中度WML,Fazekas 3为重度WML。
- CNN模型使用U形CNN(uResNet),CT模型训练以MRI分割为 ground truth,采用10折交叉验证并重复10次,最终分割由10次分割概率平均后以0.25阈值二值化生成。
关键影像表现/征象
- CT与FLAIR分割的Dice相似指数随WML体积增大而升高,全数据集平均为0.43,Fazekas 3组平均为0.68。
- CT与FLAIR分割的WML体积强相关,相关系数0.94,Bland-Altman图显示CT分割与FLAIR分割无明显系统性偏差。
- CT和FLAIR分割的WML体积在不同Fazekas组间分布清晰可分,且两者分布定性上非常相似。
诊断标准与关键数值
- Fazekas分组标准:Fazekas 0–1为无至轻度WML,Fazekas 2为中度WML,Fazekas 3为重度WML,基于放射科医生对MRI图像的视觉评估。
- 基于自动WML体积估计Fazekas分组(0–1、2、3)时,CT和FLAIR的正确率均为78%。
- CT与FLAIR分割的平均Dice相似指数全数据集为0.43,Fazekas 3组为0.68。
- CT与FLAIR自动分割WML体积的Pearson相关系数为0.94,拟合曲线斜率为0.96。
临床应用与阅片要点
- 作者认为自动体积评分可能引导放射科医生对WML进行统一评估,并可能提高临床医生对WML及其对治疗和结局影响的警觉性。
- 作者指出从临床角度看,检测中度和重度WML比检测早期WML(轻度前或轻度)更相关,因为急性临床并发症和风险与中度和重度WML相关。
- 作者指出使用CT替代MRI的约束是对小病灶(包括点状和早期融合性改变)的检测受损,但使用多排CT并结合冠状和矢状重建时CT似乎足够。
- 作者认为自动评分使得卒中患者和其他神经患者队列的各种分析成为可能,研究可在世界范围内交叉评估。
局限性
- 相对较小的数据集是本研究的局限性,未来研究需要完全独立的验证集。
- 研究结果可能在一定程度上受到腔隙灶存在的影响。
- 微出血未被考虑,因为它们在CT上不可见。
- 本研究排除了伴有皮层梗死或肿瘤水肿等合并病变的患者,这是一个局限性。
- 缺乏临床数据是本研究的局限性。
全文中译6 节 · 点击展开
引言
白质病变(WML)是脑小血管病(SVD)的替代标志物,而脑小血管病是老龄人群中血管负荷累积的主要原因。卒中患者中的严重WML与溶栓后并发症风险[1]及颈动脉内膜切除术后不良预后[2]相关。严重WML的其他有充分文献记录的后果包括认知障碍、步态障碍、抑郁、尿失禁,以及最终丧失独立性和永久机构化照护的风险[3, 4]。
对WML范围进行分级的最常用方法是针对MRI开发的Fazekas视觉评定量表[5, 6]。在此之前,Gorter[7]、Blennow等[8]、van Swieten等[9]和Wahlund等[10]曾提出若干基于CT的视觉评定量表,但未在临床实践中被广泛采用[6, 11]。
计算机辅助图像分析和机器学习方法在医学中的应用日益增多。它们能够对大型图像数据库进行自动化定量分析,并有助于开发补充人工视觉评估的工具。机器学习的进展,尤其是深度学习领域的进展,提高了识别、量化和分类医学图像中模式的能力[11]。
深度学习方法,特别是卷积神经网络(CNN),已成为医学图像分析任务的最先进方法。现代中央处理器(CPU)和图形处理器(GPU)的处理能力足以利用先进的学习算法处理大量数据[12]。CNN以大量训练样本作为输入,构建具有大量参数的模型,并基于训练样本预测输出。CNN使用卷积运算从输入图像中学习边缘、模式和颜色等特征[13]。它们已被应用于多种图像处理任务,如图像分割[14]和图像分类[15]。近来,CNN也被应用于医学图像分析[16, 17]。
本研究的目标是研究能否使用CNN从CT图像中自动分割WML。目的还在于比较CT分割与MRI分割。
方法
参与者和设计
2014年1月至2016年12月,由合格的医疗保健专业人员对赫尔辛基大学医院临床图像档案中的脑图像进行系统筛查,以制作CT-MRI图像对。图像来自赫尔辛基大学医院以及赫尔辛基地区的五家区域医院。MRI由Siemens和Philips扫描仪采集,CT扫描仪包括Siemens和GE设备。
13幅FLAIR图像为矢状位3D图像,平面内分辨率为0.45–0.47 mm,层厚为0.9–1.2 mm。其余136幅图像为2D轴位图像,平面内分辨率为0.43–0.98 mm,层厚为4.0–5.0 mm。CT图像的平面内分辨率为0.41–1.0 mm,层厚为1.0–5.0 mm。
研究的纳入标准是同时获取CT和MRI图像,且CT与MRI成像之间的时间间隔小于6周。排除含有肿瘤、皮层梗死、血肿(微出血除外)、多发性硬化病灶及挫伤的图像。根据放射科医师对MRI图像的评价,将图像分为三个Fazekas组(Fazekas 0–1 = 无至轻度白质病变(WML),Fazekas 2 = 中度WML,Fazekas 3 = 重度WML)。评价由普通放射科医师和神经放射科医师共同完成。研究共纳入147对图像(表1)。
在本机构,对作为常规临床诊疗一部分前瞻性收集的影像数据进行回顾性分析无需伦理审查。图像对的分析已匿名化处理,本分析不涉及任何临床数据的处理。
自动化图像分析
分析流程见图1。预处理步骤包括图像的颅骨剥离、粗空间归一化和粗强度归一化。MRI FLAIR图像的颅骨剥离(脑提取)使用cNeuro® cMRI图像定量工具(Combinostics Ltd.,坦佩雷,芬兰)完成。空间归一化通过使用9自由度仿射配准将二值脑掩膜配准至平均解剖模板图像的相应脑掩膜来完成。CT图像通过最大化归一化互信息的刚性配准与FLAIR图像配准。最后,通过在脑掩膜内进行z分数标准化对强度进行归一化。
得到的预处理图像用作CNN分割的输入。创建了两个CNN模型。(1)MRI的CNN使用LADIS研究(白质疏松与残疾研究)的FLAIR分割作为训练数据开发(560幅FLAIR图像,附半手动分割的WML)。(2)CT的CNN使用MRI-CT图像对中的MRI分割作为训练数据开发。
MRI和CT图像分别在不使用和使用10折交叉验证的情况下用CNN进行分割。CT图像随机选取,使90%的病例构成训练集,其余10%的病例构成测试集。此过程重复十次,使每个病例均被一次用于测试集。FLAIR图像的WML分割用作训练的参考标准分割。为提高分割的稳健性,10折交叉验证重复十次,从而对每幅CT图像获得十个独立的分割。CNN分割输出WML的概率。最终分割通过平均十个分割的概率并使用0.25的值对平均概率进行阈值化来生成。
CNN分割(FLAIR和CT)使用名为uResNet的U型CNN进行[15]。在本研究中,我们使用了Guerrero等人[18]提出的网络架构,该架构最初是为从FLAIR图像中分割白质高信号和卒中病灶而开发的。该网络未经任何进一步修改,使用Theano 0.9.0(http://www.deeplearning.net/software/theano/)深度学习Python(Python 2.7)库实现。CNN使用大图像块(64 × 64)进行训练。这允许网络从输入图像中学习高水平和低水平特征。在训练过程中,对CNN参数进行优化,使预测分割与“金标准”分割之间的误差尽可能小。
统计分析
通过将CT白质病变(WML)分割结果与FLAIR图像对应的分割结果进行比较,验证了CT WML分割的准确性。以FLAIR图像的分割结果作为金标准来评估CT分割的准确性。Dice重叠度量是指两幅图像中均被分割为WML的体素与CT和FLAIR中分别被分割为WML的体素之比:,其中|X|和|Y|分别为CT和FLAIR分割的WML体积,|X ∩ Y|为CT和FLAIR中均被分割为WML的体素体积。此外,通过研究正确分割和错误分割的体素体积来评估分割的准确性。通过计算Pearson相关系数评估CT和FLAIR分割体积的相关性。此外,通过搜索所用三个Fazekas组(0–1、2和3)的最佳阈值,从WML体积估算Fazekas评分。这些计算使用10折交叉验证进行。
结果
验证CT和FLAIR分割之间重叠的Dice相似指数以WML体积的函数形式展示于图2a。如预期所示,对于较小的WML体积,该指数值较低:整个数据集的平均Dice相似指数为0.43。然而,WML越多,获得的数值越高:Fazekas 3组的平均Dice相似指数值为0.68。正确分割的体素体积、在CT中被分割为WML但在FLAIR中被分割为背景的体素体积、以及在FLAIR中被分割为WML但在CT中被分割为背景的体素体积展示于图2b。
CT和FLAIR分割的WML体积相关性展示于图3a。CT和FLAIR分割的体积强相关(相关系数0.94)。此外,拟合数据的曲线斜率为0.96,接近1——即与FLAIR分割相比,CT分割既未低估也未高估WML体积,这也可从图3b的Bland-Altman图中看出。
CT和FLAIR分割在不同Fazekas组的WML体积分布分别展示于图4a和b。两种情况下Fazekas组具有明显不同的分布,且定性而言,CT和FLAIR的分布非常相似。表2展示了从WML体积估算Fazekas评分与金标准视觉评级比较的结果。在CT和FLAIR图像中,均有78%的病例评分被正确估算。
图5展示了来自各Fazekas组患者的CT和FLAIR图像的示例分割。这表明,尤其是当脑白质病变(WML)体积较高时,CT分割能够产生与FLAIR分割相对应的结果。
讨论
我们的研究表明,使用自动图像分析方法可以从CT图像估计WML的严重程度,其结果与使用Fazekas量表评估MRI图像的结果非常相似。这些方法为WML负荷的体积评估提供了替代视觉评分的手段。MRI和CT分割的自动WML体积之间获得了0.94的高相关性。在78%的病例中,从CT和MRI自动生成的评级与视觉评级相同。
此前,一种用于量化CT脑WML的自动化方法已在英国的一项多中心验证研究中接受评估[19]。与专家勾画的WML体积相比,MR成像的自动WML体积相关性为0.85,CT成像为0.71。英国的 study sample 为急性缺血性卒中病例。
一般来说,使用CT而非MRI的局限性在于对小病灶(包括点状和早期融合性改变)的检测能力受损。然而,当使用具有冠状面和矢状面重建的多排CT时,CT似乎已足够[20]。CT在临床实践中也常用于痴呆成像[21]。在急性卒中患者中,非增强CT是临床实践中最常见的初始成像方式[22]。从临床角度来看,检测中度和重度WML比检测早期WML(轻度前或轻度)更为相关,因为急性临床并发症和风险与中度和重度WML相关[1, 4, 23]。早期WML在参与随访和干预研究的较年轻年龄组中更为相关。在这种背景下,患者更有可能接受MRI检查。
我们使用LADIS队列的自动FLAIR WML分割作为训练CNN模型和验证CT分割结果时的 ground truth 分割。我们之前的交叉验证研究[24]表明,与半手动分割相比,基于CNN的MRI WML分割产生非常相似的结果(相关性0.99,平均Dice相似指数0.72)。这表明基于MRI的CNN WML分割可以用作训练CT CNN模型的 ground truth,也可用于验证。
相对较小的数据集是本研究的局限性,未来研究需要一个完全独立的验证集。我们的发现可能在某种程度上被腔隙灶的存在所掩盖,但这种影响可能次要,因为腔隙灶具有独特的形态,不会与白质病变(WML)混淆。微出血未予考虑,因为其在CT上不可见。本研究中排除了伴有皮层梗死或肿瘤水肿等合并病变的患者,这是一项局限性。在未来研究中,此类合并病变可通过深度学习进行评估,但需要更大的训练集并良好代表不同病变类型。此外,缺乏临床数据也是本研究的局限性。
本研究的优势在于图像未经选择。患者不限于卒中患者,也不限于其他神经系统患者。CT和MRI设备以及成像参数各不相同。因此,结果和模型更可能推广到其他数据集。尽管这可能会增加分割结果的变异性,但我们认为,只要分析限于中度或重度WML,扫描仪差异和不同扫描参数(如不同kV或双能量)不会影响结果。不同变量对方差的影响可在未来研究中进行分析。
自动体积评级可引导放射科医师对WML进行统一评估,并可能提高临床医师对WML及其对治疗和结局影响的认识。自动评级使得在卒中患者和其他神经系统患者队列中进行各种分析成为可能,研究可在全球范围内交叉评估。未来,研究其与临床数据的相关性将很有意义,以观察与MRI分割相比,CT分割在临床相关性方面是否产生相似结果。尽管本研究提出了一种临床解决方案,但该方法仍非面面俱到,因此需要进一步研究,例如Fazekas 1级和2级的分割。更统一的成像参数可能有助于实现这一目标。
引用
- Pitkänen J, Koikkalainen J, Nieminen T, et al. Evaluating severity of white matter lesions from computed tomography images with convolutional neural network. Neuroradiology. 2020. PMID: 32281028. doi:10.1007/s00234-020-02410-2
- 全文:PMC7478948(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7478948/
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。