文献速递腹部泌尿生殖MR

常染色体显性多囊肾病患者的MR图像中肾囊肿的自动语义分割

Automatic semantic segmentation of kidney cysts in MR images of patients affected by autosomal-dominant polycystic kidney disease.
PubMed 文献 · Abdom Radiol (NY) · 2020-09-17

本研究开发并验证了一种基于卷积神经网络的全自动深度学习方法,用于在常染色体显性多囊肾病(ADPKD)患者的MR T2加权图像上对肾囊肿进行语义分割。在60例MR图像上训练、验证和测试,自动化方法与两位阅片者的分割一致性达到观察者间变异水平:与阅片者1的Dice系数为0.86±0.10,与阅片者2为0.84±0.11,观察者间Dice为0.86±0.08;总囊肿体积(TCV)的百分比差异分别为3.9±19.1%和8.0±24.1%,观察者间变异为-2.0±16.4%。该方法有望用于探索ADPKD的额外影像生物标志物和自动分类表型。

要点

  • 全自动深度学习方法可在ADPKD患者MR T2加权图像上分割肾囊肿,性能与人工阅片者相当。
  • 自动化方法与阅片者1的Dice为0.86±0.10,与阅片者2为0.84±0.11,观察者间Dice为0.86±0.08。
  • 总囊肿体积百分比差异:自动化 vs 阅片者1为3.9±19.1%,vs 阅片者2为8.0±24.1%,观察者间为-2.0±16.4%。

关键影像表现/征象

  • 自动化方法在分割囊肿方面表现优异,视觉上与两位阅片者的一致性极好。
  • 表现最好的病例Dice=0.98,最差病例Dice=0.50,平均病例Dice=0.86。
  • 对人工描画和自动化方法造成最大变异性的区域包括亮血管、肾盂以及复杂囊肿(在T2加权图像上呈暗色)。
  • 自动化方法可准确分割大小范围广泛的囊肿,测量的囊肿小至约3-5 mm(受重建图像分辨率限制,面内约1.5 mm),最大囊肿直径118 mm。
  • 囊肿指数范围从约0到>90%,涵盖从极少囊肿到几乎完全替代肾实质的广泛疾病严重程度。

诊断标准与关键数值

  • 自动化方法与阅片者1的Dice系数(均值±标准差)为0.86±0.10,与阅片者2为0.84±0.11,观察者间Dice为0.86±0.08。
  • 总囊肿体积(TCV)的百分比差异:自动化 vs 阅片者1为3.9±19.1%,自动化 vs 阅片者2为8.0±24.1%,观察者间变异为-2.0±16.4%。
  • 三折训练中最终训练Dice分别为0.91、0.92、0.94,验证Dice分别为0.76、0.87、0.84。
  • 文中提及非典型病例标准:≤5个囊肿占≥50% TKV且肾组织有轻度囊肿替代。

临床应用与阅片要点

  • 自动化方法性能与人工阅片者相当,可用于快速、可重复地计算总囊肿体积和囊肿指数。
  • 亮血管、肾盂和复杂囊肿(T2加权图像上呈暗色)是自动分割与人工描画变异最大的区域。
  • 疾病表现非常轻微时自动化方法相似性指标最差,此时人工阅片者可快速进行质量评估以最终确定囊肿分割。
  • 作者认为该方法将有助于未来回顾性和前瞻性研究评估患者表型和总体囊肿负荷。

局限性

  • 本研究评估的队列相对较小(n=60)。
  • 生成金标准囊肿分割根据疾病严重程度耗时长达8小时。
  • 未检测低于成像分辨率的微观囊肿。
全文中译10 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:Abdom Radiol (NY). 2020 Sep 17;46(3):1053–61. doi: 10.1007/s00261-020-02748-4

引言

常染色体显性多囊肾病(ADPKD)是最常见的遗传性肾脏疾病,全球约影响1200万人,目前是肾衰竭的第四大病因[1, 2]。其病理特征为囊肿持续生长导致肾脏总体积(TKV)进行性增大。典型的ADPKD患者表现为肾功能进行性下降,约70%的患者在40至70岁之间进展至终末期肾病[3, 4]。

多项研究表明,TKV是预测ADPKD进展的有用指标[5–7]。同样,能够勾画和测量囊性负荷进一步有助于我们对疾病进展、结构和基因型差异的认识。众所周知,囊肿的发生和生长与肾功能下降密切相关[6, 8]。此外,已有研究表明TKV增长与囊肿生长之间存在直接相关性;然而,囊肿的生长速率和新囊肿的形成速率因人而异[9]。此外,纵向研究发现,随着时间推移,ADPKD患者的TKV和囊肿体积增加,而总实质体积减少,提示非囊性肾组织正被更多囊肿和持续增大的囊肿所取代[10]。有趣的是,囊肿生长和囊性指数(囊肿体积与TKV之比)在PKD1和PKD2基因型之间存在显著差异,因为PKD1人群中的患者往往更早发生囊肿[11, 12]。对囊性负荷和生长的进一步分析有可能为疾病趋势和治疗策略提供信息。

随着新的影像生物标志物的出现,科学家们寻求快速高效的方法来分离囊性和非囊性肾脏区域,以便对组织特性进行更深入的定量分析[13, 14]。过去,囊肿和肾脏区域依靠人工分割,这高度耗费人力且具有主观性[15]。已提出的各种半自动囊肿分割方法使用基于强度的阈值化作为初始化[16, 17],以及经典机器学习技术如k均值聚类[18]、轮廓方法[19]和形状先验概率图[20]。然而,使用神经网络的完全自动化深度学习方法有可能使图像分析人员摆脱人工勾画的繁琐,并提供可重复且稳健的体积计算和分割。深度学习与上述分割方法的不同之处在于,该模型能够从数据输入中“学习”重要的图像特征,从而执行其最终的分割任务。通过训练,该模型能够检测人眼可能不易察觉的模式、像素强度和形状信息。

以降低空间分辨率开始、随后恢复分辨率的卷积神经网络(CNN),因其独特架构,在像素/体素级医学图像分割任务中表现出色。简言之,第一个收缩部分是一系列卷积和降低分辨率的层,用于降低图像的复杂性,第二个扩张部分本质上是第一条路径的镜像,用于结合特征和空间信息。U-Net架构[21]就是这样一种网络,已被显著地用于医学图像分析以解决分割任务。这种架构的一个特别优势是,与其他网络相比,它不需要大型训练集,并且能产生高度准确的分割输出。

在本研究中,我们利用一个PKD肾脏MR图像数据集,其中囊肿描画由两名读者完成并作为地面真值。开发了一种自动化方法(一种改进的U-Net型架构),建立了一个集成模型并在测试数据集上进行了测试。本研究描述的深度神经网络模型允许对肾囊肿进行语义分割,以确定总囊肿体积(TCV),并可能有助于进一步评估疾病表型。

材料和方法

MR图像数据

这项回顾性研究获得了https://github.com/TLKline/AutoKidneyCyst机构审查委员会的批准。从我们的PKD图像数据库中提取了60名不同严重程度的ADPKD患者的MR扫描。本分析使用了T2加权脂肪(N = 42)和非脂肪饱和(N = 18)扫描。MR图像为冠状位单次激发快速自旋回波(SSFSE)T2序列,使用GE扫描仪采集,矩阵大小为256 × 256xZ(其中Z足够大,以覆盖成像体积内肾脏的完整范围)。图像体素大小约为平面内1.5 mm,层厚通常为3.0 mm。

手动分割

肾脏和囊肿描画由两名图像分析人员(https://github.com/TLKline/AutoKidneyCyst)手动完成,他们具有多年进行此类描画的经验。训练/验证集由一名读者描画,测试集由两人共同描画,以评估观察者间变异性。图像分析方案排除了肾盂和血管结构。根据描画,TKV和TCV计算为体素数量乘以体素体积。每位分析人员对其他人的描画均设盲。这些描画被导出为NIfTI文件。

数据分层

根据为每次扫描生成的TKV分割,将扫描分为40例训练/验证病例和20例留出测试集病例。训练/验证数据集有28例脂肪饱和病例和12例非脂肪饱和病例(70%脂肪饱和)。留出测试集有14例脂肪饱和病例和6例非脂肪饱和病例(70%脂肪饱和)。

预处理

该模型采用双通道方法训练,以MR图像切片为一个通道,肾脏分割结果为另一个通道。请注意,采用这种双通道方法,神经网络学习仅识别肾脏内的囊肿。使用三次插值法对MR图像进行重缩放至256×256矩阵大小,对肾脏和囊肿分割掩膜使用最近邻插值法。首先将每次MR扫描的强度归一化至均具有相同的第95百分位水平,然后应用标准标量归一化(零均值、单位标准差)。

语义分割模型

网络架构与我们之前的工作相似[22, 23]。卷积块由二维卷积、随后为dropout(dropout = 0.1)、批归一化、二维卷积和最大池化(池化大小 = 2×2)组成。较高分辨率层具有较大的卷积核(在编码器路径中从上到下依次从7×7到5×5再到3×3,在解码器路径中按相反顺序排列),以学习更大和更复杂的滤波器类型。跳跃连接以加法层(类Resnet[24])实现。优化器为Adam[25],初始学习率为1e-3,衰减率为1e-5。损失度量为Dice相似度度量。模型训练200个epoch,批大小 = 8,在训练过程中保存验证度量最佳的模型。模型在Keras中实现,以TensorFlow为后端。模型在Nvidia Tesla P40 GPU(24 GB内存)上训练。模型输入为双通道矩阵(256×256×2)。第一通道为MR图像切片,第二通道为对应的肾脏掩膜。输出为囊肿分割的预测结果。总共在三个不同的训练/验证折上训练了三个模型,然后生成集成多数投票模型并应用于留出测试集。代码可在以下网址获取:https://github.com/TLKline/AutoKidneyCyst。

评估

如模型部分所述,训练/验证集被分为三折,以便在不同数据子集上进行训练。对于每一折,在学习过程中生成训练和验证曲线,并保存每折的最佳模型。然后生成多数集成模型并应用于留出测试数据集。囊肿体积和囊肿指数的比较通过线性回归进行,囊肿指数还通过Bland–Altman分析进行评估,以评估测量的偏倚和精确度。此外,制作视觉叠加图以定性评估自动化方法,并生成相似度度量以进行定量评估。在每种情况下,比较两位阅片者的分割结果以评估观察者间变异性,并将自动化方法分别与每位阅片者进行比较。

结果

训练集、验证集和测试数据集之间在疾病严重程度(即TKV)方面无显著差异。图1显示了以核密度图可视化的体积分布。图中展示了三折的分布,以及训练/验证集与测试集之间的总体分布。该总体分布代表了ADPKD患者群体中所见的大程度变异性。

该自动化方法在三个不同的折上训练表现相似。图2显示了三个不同折的学习曲线,包括模型训练过程中的训练集和验证集Dice值。模型权重在训练集上更新,并在每个轮次结束时在独立的验证集上评估。训练过程中保存验证性能最佳的模型,并用于开发最终的集成模型。

该自动化方法在准确分割囊肿方面表现优异。图3和图4展示了观察者间变异性、自动化方法与阅片者1、自动化方法与阅片者2在囊肿体积(图3)及囊肿指数(图4)方面的线性回归比较。此外,该自动化方法的表现与人类阅片者水平相当。图5展示了囊肿指数的Bland–Altman比较。值得注意的是,患者涵盖了广泛的疾病严重程度范围,从囊肿极少的病例到肾实质几乎完全被囊肿替代的病例。囊肿指数范围从约0到>90%。

从视觉上看,自动化分割方法与人工阅片者之间具有极好的一致性。图6展示了一个较好病例(上排,Dice = 0.98)、最差病例(中排,Dice = 0.50)和中等病例(下排,Dice = 0.86)的视觉比较。

总体而言,自动化方法与两名不同阅片者进行勾画时所见的变异性无法区分。表1展示了将观察者间变异性与自动化方法和阅片者1之间、以及自动化方法和阅片者2之间所获得的相似性统计进行比较的结果。

图1 三个折(折1:左上,折2:右上,折3:左下)以及整个训练集和验证集与独立留出测试集(右下)的总肾脏体积密度分布可视化。交叉验证折被随机分为不同的子集。网络模型在三个折上进行训练,并构建集成网络应用于留出测试集 查看原图 ↗
图2 三个不同折的训练集和验证集学习曲线。线条颜色越深对应折数越高(即折3为最深线条)。Dice相似性指标在每个轮次计算。折1的最终训练Dice为0.91,验证Dice为0.76。折2的最终训练Dice为0.92,验证Dice为0.87。折3的最终训练Dice为0.94,验证Dice为0.84 查看原图 ↗
图3 囊肿体积的线性回归比较。比较包括观察者间(左图)、自动化方法与阅片者1(中图)以及自动化方法与阅片者2(右图)。自动化方法在囊肿体积方面与两名阅片者的表现非常相似。回归线以实线表示(来自y = mx + b的拟合),阴影区域为95%置信区间 查看原图 ↗
图4 囊肿指数的线性回归比较。比较包括观察者间(左图)、自动化方法与阅片者1(中图)以及自动化方法与阅片者2(右图)。自动化方法在囊肿指数方面与两名阅片者的表现非常相似 查看原图 ↗
图5 用于比较囊性指数的Bland–Altman结果,分别为观察者间(左图)、自动方法与阅片者1(中图)以及自动方法与阅片者2(右图)。两名阅片者在总体测量之间的偏倚很小,但实际上其精确度略大于自动方法与任一阅片者单独比较时所发现的结果 查看原图 ↗
图6 观察者间分割与自动方法相较于阅片者1的视觉比较。左列显示MR图像,中列显示比较阅片者1(紫色)与阅片者2(绿色)的金标准描迹,右列比较阅片者1(紫色)与自动方法(绿色)。上排展示最佳病例之一,观察者间Dice为0.96,自动方法与阅片者1比较为0.97。中排为自动方法性能方面最差的病例,观察者间Dice指标为0.66,自动方法与阅片者1比较的Dice为0.50。下排展示性能方面相当典型的病例,观察者间Dice为0.84,自动方法与阅片者1比较的Dice为0.86。可见导致手工描迹以及自动方法变异性最大的区域为明亮血管、肾盂以及复杂囊肿(在T2加权图像上呈暗色)。两者之间的一致性显示为深灰色/透明。背景图像被调暗,以便更好地显示分割重叠 查看原图 ↗
表1 为两次手工描迹、自动方法与阅片者1比较以及自动方法与阅片者2比较计算的分割指标 查看原表 ↗

讨论

人工智能(AI)领域的深度学习为科学家提供了无数工具,以高效且全面地评估数据,尤其是在医学图像分析中。本研究开发的算法无需用户干预即可从肾脏组织中准确分割肾囊肿。在此模型之前,从器官组织中勾画囊性结构的方法采用了基于强度的半自动阈值技术[16, 17, 20]。基于强度的方法的一个局限是,与CT不同,MR像素值在多次采集之间、甚至在一次采集内的各层之间都可能大幅变化,需要大量预处理技术来适当地标准化数据[26]。此外,这种基于强度阈值的技术将完全漏掉信号强度较低的复杂囊肿[16]。

本研究提出的模型在囊肿分割方面达到了85%的平均Dice评分,该结果与用于器官分割的其他最先进技术相当。在常染色体显性多囊肾病(ADPKD)中,文献报道的所有使用深度学习的自动方法都集中在器官分割任务上,主要用于肾脏分割。其中一些方法包括Sharma等[27]实施的一种定制VGG-16网络,用于在CT图像中分割肾脏。该研究的平均Dice评分为86%。Keshwani等[28]同样使用CT扫描预测肾脏分割,实施了一种多任务3D卷积神经网络,达到了95%的平均Dice评分。另一方面,Mu等[29]使用MR图像通过V-Net模型自动生成肾脏分割,报告的Dice评分为95%。

自动化方法在所有指标上均与手动勾画非常接近。在线性回归方面,自动化方法与两位阅读者均非常接近。此外,囊性指数与人类阅读者具有相似的偏倚和精确度。更好的精确度可能归因于自动化方法比人类阅读者更具一致性。研究发现,最大差异出现在Hausdorff距离上,这可能是由于一些轻微的假阳性所致,而这些假阳性很可能可以通过简单的后处理加以处理(例如,将模型囊肿分割掩膜输出乘以肾脏掩膜)。此外,视觉一致性非常强。就相似性指标而言,最差的情况见于疾病表现非常轻微时。在这种情况下,人类阅读者可以快速提供质量评估以最终确定囊肿分割。总体而言,该方法能够准确分割各种大小的囊肿。在本研究中,测量的囊肿最小约为3-5 mm。这受到重建图像分辨率的限制,其平面内分辨率约为1.5 mm。此外,最大囊肿的直径为118 mm。

具备自动评估囊性负荷的能力为应用本文所呈现技术的回顾性研究开辟了道路。既往研究采用了更为基础的方法来评估囊性负荷,并已显示这些图像衍生参数具有有前景的信息价值。既往短期研究显示,当在小队列中测量囊肿体积时,托伐普坦可减少接受治疗的ADPKD患者的囊肿体积[30]。应完成进一步分析以评估这些效应在长期给药期间是否持续。本研究中呈现的自动化方法将允许对更大数据集进行快速简便的分析。追踪囊肿生长还可以为特定基因型提供信息。一项研究发现,PKD1患者比PKD2患者有更多的囊肿。更具体地说,PKD1患者进展更快是因为早期形成更多囊肿,而不是因为囊肿生长更快[11]。

本研究的一个局限性是评估的队列相对较小(n = 60)。然而,生成金标准囊肿分割根据疾病严重程度需要长达8小时。由于这一局限性,我们开发了这一特定队列以涵盖疾病表型表现的全部范围,从由少量囊肿组成的肾脏(囊性指数 = 0.5%)到肾实质几乎完全被囊肿替代的肾脏(囊性指数 = 90%)。建立了在疾病表型全范围内评估囊性负荷的方法将使该方法具有很强的泛化能力。另一个局限性是我们未检测低于成像分辨率的微观囊肿。然而,这些微囊肿对总囊肿体积的贡献相对较小[31]。

未来的研究可以评估更大的队列,并可以探索自动化方法来分割和区分单个囊肿。这将有助于自动计数囊肿数量并评估囊肿大小分布。这也可能有助于自动将典型患者与非典型患者进行分类,从而为进展风险和从药物治疗中获益的可能性提供信息。区分非典型与典型病例的大多数标准依赖于囊肿指数、计数和大小。例如,如果≤5个囊肿占总体肾脏体积(TKV)的≥50%且肾脏组织被囊肿轻度替代,则患者被视为非典型[32]。能够自动计算这一指标的工具将允许在关键的研究入组阶段进行极其快速和客观的分类。

在评估常染色体显性多囊肾病(ADPKD)时,囊肿结构和组成也被认为具有高度信息价值。一旦从肾实质中勾画出囊性区域,就可以进行进一步的基于强度和/或纹理的分析,以确定复杂囊肿的百分比或分布。通常,这些复杂囊肿的特征是T2加权MR成像中“较暗”的信号强度。表面上看,健康实质组织在从较大囊肿中分离出来后也可以类似方式进行分析。另一种方法将是整合多次图像采集(例如,结合T1加权和T2加权MR图像),不仅有助于囊肿的分割,还有助于对其进行分类。扩展到其他成像模态(例如,CT)和器官(例如,肝脏)也很重要,以提供PKD表型的全面特征描述,并在可获得不同患者混合成像数据(例如,超声、计算机断层扫描和/或磁共振成像)且存在肾外表现(例如,多囊肝病(PLD))的情况下进行大规模研究。

结论

我们开发了一种全自动方法,用于从受ADPKD影响患者的MR图像中对肾囊肿进行语义分割。该方法的表现与人类读者相当,并将有助于未来的回顾性和前瞻性研究,以评估患者表型和总体囊性负担。

引用

  1. Kline TL, Edwards ME, Fetzer J, et al. Automatic semantic segmentation of kidney cysts in MR images of patients affected by autosomal-dominant polycystic kidney disease. Abdom Radiol (NY). 2020. PMID: 32940759. doi:10.1007/s00261-020-02748-4
  2. 全文:PMC7940295(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7940295/

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。