文献速递骨肌MR

基于深度学习的大腿肌肉分割用于脂肪水分离MRI可重复脂肪分数定量

Deep learning-based thigh muscle segmentation for reproducible fat fraction quantification using fat-water decomposition MRI.
PubMed 文献 · Insights Imaging · 2020-11-30

本研究利用公开数据库25次扫描和本地临床21次扫描,训练U-net自动分割大腿四个功能肌群,在独立测试集上平均Dice系数均大于0.85,平均脂肪分数(meanFF)绝对差异0.17%,自动分割的meanFF可重复性整体ICC为0.921,高于手动分割的0.902,并在14例正常与14例异常大腿中检出异常大腿meanFF显著更高。

要点

  • 自动分割可在10–30秒内完成每侧大腿四个肌群的全体积分割,替代耗时约6小时的手动勾画。
  • 自动与手动分割的平均Dice系数均大于0.85,平均体积绝对差异为7.57%,平均meanFF绝对差异为0.17%。
  • 自动分割的meanFF可重复性整体ICC为0.921,高于手动分割的0.902。

关键影像表现/征象

  • 脂肪水分离MRI可生成脂肪分数图,即脂肪图像除以水和脂肪图像之和。
  • 手动与自动分割在代表性层面上视觉一致性极好。
  • 自动分割对股四头肌、缝匠肌、股薄肌和腘绳肌四个肌群的全体积进行分割。

诊断标准与关键数值

  • 自动与手动分割的平均Dice系数均大于0.85,即使是最小的缝匠肌(ROI2)也大于0.85。
  • 自动与手动分割的平均体积绝对差异为7.57%,平均meanFF绝对差异为0.17%。
  • 重复扫描的meanFF可重复性整体ICC:自动分割0.921 vs 手动分割0.902(自动分割更高)。
  • 在Dataset 2中,14例正常大腿与14例异常(脂肪浸润)大腿比较,所有ROI的异常大腿meanFF均显著高于正常大腿,但此初步分析未能定义明确阈值。

临床应用与阅片要点

  • 自动分割可快速完成全体积大腿肌肉分割,适合临床定量脂肪浸润的流程。
  • 缝匠肌(ROI2)体积小,自动与手动分割均仅达到中等可重复性,可能不适合用于脂肪浸润的定量测定。
  • 自动分割在3点Dixon和6点Dixon序列上均表现满意分割精度,可适用于临床和研究数据。

局限性

  • 受试者数量相对较少;为减少小数据集影响,分离左右大腿后样本量翻倍,网络使用共4968层2D切片训练,但仍需更多数据来进一步改进分割性能并验证其可重复性。
  • 当前CNN分割不适用于脂肪浸润明显严重的患者(即整个肌群受累掩盖肌肉边界),因为此类病例的训练数据有限。
  • 初步定量分析中,通常作为金标准的病理结果缺失;仅计算了meanFF,初步结果未找到区分正常与异常大腿的明确阈值。
  • 缝匠肌(ROI2)的两种分割方法均仅达到中等可重复性,提示该肌群可能不适合用于脂肪浸润的定量测定。
  • 分割网络仅基于这两个数据集训练和测试,虽在这两个数据集上取得满意结果,但仍需使用不同扫描仪采集的独立数据集进行外部验证,以确保该方法在临床实践中的可重复性和可行性;还需进一步研究建立年龄特异性参考范围,并在疾病谱中改进和验证分割性能。
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:Insights Imaging. 2020 Nov 30;11:128. doi: 10.1186/s13244-020-00946-8

要点

这种全自动的基于深度学习的大腿肌肉分割表现出极好的准确性。

它可以在数秒内勾画出四个临床相关的大腿肌肉群。

与手动分割相比,它在脂肪分数估计方面提供了更高的可重复性。

背景

既往研究表明,由于神经肌肉和代谢性疾病或年龄相关的肌肉萎缩(肌少症)等疾病,可在 thigh muscles 中观察到脂肪浸润 [1–4]。更重要的是,肌内脂肪浸润的程度可作为疾病严重程度和进展的标志物 [5–10]。

定量磁共振成像(MRI)提供了一种极好的方法,可无创地测量包括肌肉组织在内的各种器官中的脂肪成分。脂肪-水分解 MRI 是定量 MRI 技术之一,由于能够根据化学位移差异将 MRI 信号与水及脂肪质子分离,因此非常适合脂肪分数定量。该技术最早由 Dixon [11] 提出,即最初的两点 Dixon 法,在水和脂肪质子同相位和反相位时的回波时间采集两组图像 [11]。随着 MRI 技术的进步,已开发出多点 Dixon 方法 [12, 13],在三个或更多回波时间采集图像,利用脂肪和水的质子之间不同的相位差进行脂肪-水分离。与两点 Dixon 法相比,三点 Dixon 序列 [12] 能够校正磁场不均匀性,从而提供分离的脂肪和水图像用于定量分析。一些先进的多点 Dixon 技术可以解决其他混杂因素,并提供更准确的脂肪和水图像以及相应的质子密度脂肪分数(PDFF)图 [14, 15]。目前,多点 Dixon 序列已在临床上实施,并广泛用于研究中对大腿肌内脂肪浸润进行定量 [2–9, 15–20]。

然而,分割的需求严重限制了脂肪-水分解 MRI 在临床实践中定量脂肪评估的应用。图像分割是定量评估大腿肌内脂肪分数的第一个关键步骤。当前文献 [3–5, 7–9, 15–20] 中分割大腿肌肉的常规方法依赖于手动绘制的感兴趣区(ROI),这不仅极其耗时且繁琐,而且容易产生主观偏倚和读者间差异。先前的一项研究 [20] 显示,每次扫描分割四个完整肌肉区域的平均时间约为 6 小时。因此,大多数既往研究在一个或几个代表性层面上进行手动分割 [3–5, 7–9, 15–17]。这样的过程会降低准确性和可重复性,也不适合临床采用。尽管最近的研究开发了半自动或自动算法 [21–25],但它们要么基于非定量 MRI,要么难以应用于临床环境 [26]。迫切需要一种更快、更简单且全自动的大腿肌肉分割方法,以实现可重复的脂肪分数定量。

近年来,深度学习技术,特别是卷积神经网络(CNN),已成功应用于医学图像分析领域,尤其是在图像分割方面 [27]。CNN [28, 29] 是由多层结构建立的可训练模型,其操作包括卷积、池化和激活,能够捕捉输入与输出之间的高度非线性映射。这种方法为图像分割提供了强大的工具,因为CNN可以自动学习和利用训练图像的代表性模式,并在优化后对未来图像做出准确预测。U-net [30] 是最著名的CNN架构之一,专门为生物医学图像的语义分割而设计。该网络采用带有跳跃连接的编码器-解码器结构,能够更高效地提取更高分辨率的特征。U-net已被应用于大量医学图像分割研究中,并取得了有前景且稳健的结果 [27]。然而,该技术在大腿肌肉分割方面的性能尚未在现有文献中得到研究和评估。

本研究的目的是训练并验证一个具有足够准确度的CNN,利用脂肪-水分解MRI自动分割四个功能性大腿肌肉群。我们进一步通过与手动分割比较来评估其在脂肪分数估计中的可重复性,并进行了初步定量分析,展示其区分伴有脂肪浸润的异常大腿的能力。

材料与方法

本研究经机构审查委员会批准。鉴于本研究为回顾性研究,知情同意被豁免。

数据集

图1提供了本研究所用数据集的概览。详细的人口学和临床特征见附加文件1:表S1。

图1 两个数据集及本研究工作流程的概览 查看原图 ↗

数据集1:公共参考数据库MyoSegmenTUM [20]

该数据库包含从19名受试者(15名健康志愿者和4名神经肌肉疾病患者)采集的25次脂肪-水分解MRI扫描,使用6回波3D扰相梯度回波(GRE)序列。MRI采集的详细信息见参考文献 [20]。三名健康受试者通过重新定位扫描三次以评估可重复性。数据库中提供了所有扫描的手动分割掩膜作为金标准。手动ROI勾画了四个临床相关的肌肉群(3D全容积):股四头肌(ROI1)、缝匠肌(ROI2)、股薄肌(ROI3)和腘绳肌(ROI4),每次扫描的平均分割时间约为6小时。

数据集2:本地临床数据

2018年至2020年间,为临床目的在我方机构的1.5-T GE Signa扫描仪上采集了21名受试者的脂水分解MRI图像,使用3D三点Dixon方法和迭代算法IDEAL [13]进行脂水分解。图像采集参数如下:重复时间(TR)= 7.608 ms,有效回波时间(TE)= 3.576 ms,翻转角 = 8°,重建矩阵大小 = 512 × 512,体素大小 = 0.7422 × 0.7422 × 6 mm³,带宽为244 Hz/体素。使用GE HD 12通道体部阵列线圈,在轴面以两个连续堆栈(大腿上部和下部)进行扫描,以覆盖整个双侧大腿体积,每个堆栈约40层。11次扫描的手动分割掩膜由一名操作者绘制,并由一名具有12年经验的放射科医师检查并批准。手动掩膜包含与数据集1相同的四个ROI。

MRI预处理

对于所有扫描,首先将大腿的左右两侧分开并作为两个大腿体积进行分析,这也使数据集大小翻倍。作为预处理步骤,在水图像上自动去除皮下脂肪和皮肤,以潜在地改善分割性能:(1) 首先在水图像上执行K-means聚类,保留强度较高的聚类(去除强度较低的皮下脂肪);(2) 然后通过对上一步生成的掩膜应用顺序统计滤波去除皮肤区域;(3) 在填充孔洞和膨胀(以防肌肉区域在前述步骤中被错误去除)后生成最终掩膜。MRI预处理在MATLAB R2019a中完成。每个大腿体积仅覆盖肌肉区域的水图像和脂肪图像用于CNN的训练和评估。

卷积神经网络训练

在配备Nvidia 1080Ti GPU的Windows工作站上,使用Keras [31](TensorFlow后端 [32])中的U-net架构 [30]训练CNN以自动分割四个大腿肌肉群(ROI1–ROI4)。网络架构如图2所示。用于开发CNN的包含手动ROI的整个数据集由数据集1的25次扫描和数据集2的11次扫描组成。网络以2D方式训练,使用来自46个大腿体积(23次扫描,其中16次来自数据集1,7次来自数据集2)的总共4968层切片。预处理后的水图像和脂肪图像用作两个输入通道,两个通道均独立归一化至[0, 1]。手动分割掩膜作为真实标签提供。网络以批次大小为6训练1000个 epoch,使用约3/4的训练集(来自18次扫描的36个大腿体积的3940层切片,其中13次来自数据集1,5次来自数据集2)。每个epoch后在其余约1/4的训练集(来自5次扫描的10个大腿体积的1028层切片,其中3次来自数据集1,2次来自数据集2)上进行验证。网络使用Adam优化器训练,学习率为10⁻⁶ [33]。训练目标是最小化CNN输出与手动分割之间的分类交叉熵损失。CNN输出使用sigmoid函数压缩至范围(0,1)。应用0.5的阈值对CNN输出进行二值化。二值化的CNN输出堆叠回大腿体积,对于每个ROI,仅保留3D中最大的区域作为最终自动掩膜。

图2 用于分割四个大腿肌肉区域的U-net架构 查看原图 ↗

卷积神经网络评估

卷积神经网络(CNN)分割使用独立测试集进行评估,该测试集由未用于CNN训练但具有手动感兴趣区(ROI)的MRI扫描组成。测试集包括来自数据集1中3名受试者的三次重复扫描(3×3次扫描,6×3个大腿体积)和数据集2中的四次扫描(八个大腿体积)所获取的MRI图像。CNN分割的性能通过与手动分割进行比较,以三种方式评估:(1)体积水平的Dice系数;(2)体积和脂肪分数估计的差异;评估手动分割与CNN分割之间体积的百分比差异;对每次扫描,生成脂肪分数图作为脂肪图像与水和脂肪图像之和的比值,并计算每个肌肉组的平均脂肪分数(meanFF)值。(3)使用数据集1中的重复扫描,通过每个ROI的组内相关系数(ICC)确定meanFF的可重复性。对于(1)和(2),为避免重复扫描带来的偏倚,对具有重复扫描的每个大腿体积的值取平均值进行评估。

使用CNN分割的定量分析

使用数据集2中14名未用于CNN训练的受试者的临床扫描进行初步定量分析。由于少数患者接受了基于活检的病理检查,放射学评估被用作参考标准。在14名受试者中,7名没有大腿肌肉异常脂肪浸润的放射学证据,而其余7名受试者显示肌肉异常脂肪替代(14个正常大腿体积 vs. 14个异常大腿体积)。使用CNN分割掩模计算每个ROI中的meanFF值。进行假定方差不等的一侧双样本t检验,以检测正常与异常大腿之间meanFF的可能差异。p值< 0.05被认为具有统计学意义。

结果

CNN分割的性能

图3和图4分别显示了来自数据集1和数据集2的独立测试集中代表性层面的MRI图像和分割结果。手动分割和自动分割在视觉上显示出极好的一致性。CNN对每个大腿体积在10–30秒内生成ROI。

表1总结了测试集中每个大腿体积ROI1~ROI4的手动与自动分割结果之间的平均和标准差Dice系数。为避免偏倚,首先对具有重复扫描的每个大腿体积的Dice系数取平均值(其平均值±标准差的计算如表1所示)。值得注意的是,某些ROI非常小,或者某些区域(特别是肌肉插入/附着点的两端)可能更不准确,这影响了Dice系数。我们的平均Dice系数在所有ROI中均> 0.85,即使是最小的ROI2也是如此。ROI2和ROI3的Dice系数相对低于ROI1和ROI4,因为ROI2和ROI3是较小的肌肉群。

图5展示了测试集中每个大腿体积在手动分割与自动分割之间的体积百分比差异和平均FF差异(重复扫描的每个大腿体积的值取平均)。体积的平均百分比差异(绝对值)为7.57%。由于ROI2和ROI3是相对较小的肌肉区域,即使体积差异很小,体积的百分比差异也可能很大。所有大腿体积的平均FF差异均在可接受范围内(−0.5%至1.5%)。平均FF绝对差异的平均值为0.17%。

表2展示了基于重复扫描的四个ROI中平均FF的ICC。如图所示,在所有ROI中,基于CNN的分割方法产生的脂肪分数测量值比手动分割具有更好的可重复性。

图3 本研究方案示意图,包含MRI图像及测试集中数据集1一个示例的分割结果。a–c 数据集1提供的原始水图像、脂肪图像和PDFF图,d 四个ROI的手动分割掩膜,e、f 覆盖整个大腿肌肉的预处理水图像和脂肪图像作为CNN输入通道,g 自动CNN导出的分割掩膜。对于d、g,分割结果叠加在水图像上,其中ROI1(股四头肌)为红色,ROI2(缝匠肌)为绿色,ROI3(股薄肌)为蓝色,ROI4(腘绳肌)为黄色 查看原图 ↗
图4 测试集中数据集2一个示例的MRI图像及分割结果。a–c 原始水图像、脂肪图像和计算得到的脂肪分数图,d 四个ROI的手动分割掩膜,e、f 覆盖整个大腿肌肉的预处理水图像和脂肪图像作为CNN输入通道,g 自动CNN导出的分割掩膜。对于d、g,分割结果叠加在水图像上,其中ROI1(股四头肌)为红色,ROI2(缝匠肌)为绿色,ROI3(股薄肌)为蓝色,ROI4(腘绳肌)为黄色 查看原图 ↗
表1 通过Dice系数评估的测试集中每个大腿体积各ROI手动分割与自动分割之间的分割准确性 查看原表 ↗
图5 a 测试集中26个大腿体积在手动分割与自动分割之间体积的百分比差异。绝对差异的平均值为7.57%。b 测试集中26个大腿体积在手动分割与自动分割之间平均FF的差异。绝对差异的平均值为0.17% 查看原图 ↗
表2 通过ICC对重复扫描的平均FF计算的可重复性分析 查看原表 ↗

定量分析结果

图6展示了数据集2中14个正常和14个异常大腿体积之间使用基于CNN的自动ROI计算的平均FF差异。对于所有ROI,异常大腿显示的脂肪分数显著高于正常大腿,尽管基于此初步分析无法确定明确的阈值。

图6 基于临床数据14个正常和14个异常大腿体积,使用CNN分割对平均FF进行定量分析。每个图中显示了平均FF值的均值(由红线表示)和双样本t检验p值 查看原图 ↗

讨论

在本研究中,我们采用U-net架构训练卷积神经网络(CNN),利用脂肪-水分解磁共振成像进行大腿肌肉分割。高效的大腿肌肉分割是从临床实践中主要定性评估大腿肌肉MRI,迈向更准确和定量化方法的主要挑战。与耗时且劳动密集的手工标注(通常至少需要5–6小时)相比,所提出的全自动方法对每个大腿体积的分割仅需10–30秒,且具有足够的准确性。在脂肪分数定量方面,自动分割在脂肪分数估计中表现出比手工分割更高的可重复性(总体组内相关系数(ICC):0.921 vs. 0.902)。可重复的测量允许进行连续监测,这在存在干预措施时尤为有用,可用于检测疾病进展或评估治疗效果。此外,自动分割实现了大腿肌肉脂肪浸润的定量评估,并在应用于临床数据时显示出辅助诊断或监测的潜力。

该CNN分割方法使用来自两个数据集的图像进行训练,这两个数据集分别由研究用六点Dixon(数据集1)和临床实施的三点Dixon(数据集2)采集获得。尽管两个数据集使用不同的序列和扫描仪获取,我们的泛化网络在两个数据集中均表现出令人满意的分割准确性。这是我们分割网络的一个重要优势,因为它可应用于临床和研究数据以进行进一步研究。三点Dixon和更先进的六点Dixon方法均已被广泛用于量化肌肉脂肪含量[2]。数据集1中使用的六点Dixon方法[20]不仅解决了磁场不均匀性问题,还校正了包括T1偏倚、T2*衰减和脂肪质子多谱复杂性在内的混杂因素,以实现更准确的脂肪-水分离并获得质子密度脂肪分数(PDFF)图。PDFF是组织脂肪浓度的标准化生物标志物,反映了组织的基本特性[14]。如先前研究[2, 15]所建议,在可用的情况下,此类方法更适用于更准确的肌肉脂肪定量。对于三点Dixon方法,尽管存在一些混杂因素,但由于其在临床实践中更易获得,也已被广泛用于测量骨骼肌的脂肪替代[2],其评估者间和评估者内信度也已得到验证[5, 15, 16]。

这种自动化、快速且可重复的大腿肌肉分割有望用于临床实践中肌内脂肪浸润的定量评估。因此,我们使用本地临床数据进行了初步分析,证明了使用该基于CNN的大腿肌肉分割方法区分正常大腿和伴有脂肪浸润的异常大腿的可行性。使用基于CNN的自动分割,在所有四个感兴趣区(ROI)中均检测到正常大腿与异常大腿之间的显著差异。

我们的方法相较于近年来处理这一挑战性任务的其他研究显示出优势[21–25]。Kemnitz等[21]开发了一种使用主动形状模型的半自动大腿肌肉分割方法。为了与人工分割达到高度一致性,该方法需要手动交互修改个别大腿组件掩模,作为应用分割前的第一步。随后在2019年,他们还应用了U-net深度学习架构进行全自动大腿肌肉分割[22]。分割仅针对特定解剖位置(股骨的33%)进行,这可能无法用于体积分析。此外,这两项研究使用了非定量T1加权MRI,限制了它们在定量研究中的应用。Rodrigues等[23]开发了一种基于局部纹理分析的自动大腿肌肉分割方法,使用三点Dixon MRI数据。他们分割了整个肌肉区域,未区分任何肌肉群。Mesbah等[24]利用三维联合马尔可夫吉布斯随机场模型在脂肪和水图像上分割了三个大腿肌肉群。该方法在预先选定的50个中央层面上分七步进行,这可能使其难以应用于临床环境。此外,上述研究未进行可重复性分析。Ogier等[25]设计了一种个体腿部肌肉的半自动分割流程,使用两点Dixon和三点Dixon图像,基于通过初始勾画的非线性配准进行自动传播。可重复性也在四名受试者同一天扫描两次的基础上进行了评估。然而,需要对三个层面进行初始手动大腿肌肉分割。还值得注意的是,两点Dixon技术可能因静场不均匀性而受到相位误差的影响,在定量测量中应谨慎使用[34]。我们基于CNN的全容积大腿肌肉自动分割方法是为定量脂肪-水分解MRI(三点和六点Dixon序列)设计的,可进一步用于识别潜在的基于图像的生物标志物。它能在数秒内对四个肌肉群产生足够准确的分割,与人工分割相比表现出高可重复性。

本研究存在一些局限性。第一,受试者数量相对较少。为减少小数据集的影响,在分离左右大腿体积后将样本量加倍,我们的网络使用总共4968个切片进行2D训练。然而,仍需更多数据以进一步提高分割性能并验证其可重复性。第二,当前的卷积神经网络(CNN)分割不适用于脂肪浸润明显严重的患者(即整个肌群受累以致肌肉边界模糊),因为我们用于训练网络的此类病例数据有限。第三,对于初步定量分析,我们的数据集缺少通常作为金标准的病理结果。此外,仅计算了平均脂肪分数(meanFF),初步结果中未发现区分正常与异常大腿的明确阈值。第四,值得注意的是,两种分割在ROI2中均仅显示出中等可重复性,这提示ROI2(缝匠肌)可能不适合用于脂肪浸润的定量测定。这可能是因为ROI2是这四个ROI中最小的肌肉区域。对于非常小的ROI,ROI勾画上的微小差异可导致脂肪分数估计的较大差异。最后,分割网络仅基于这两个数据集进行训练和测试。尽管在这两个数据集上取得了令人满意的结果,仍需使用由不同扫描仪采集的独立数据集进行外部验证,以确保该分割方法在临床实践中的可重复性和可行性。还需要进一步研究以建立年龄特异性参考范围,并在各种疾病谱中改进和验证分割性能。此外,未来研究可在更大数据集中研究更多基于图像的特征或生物标志物,并需考虑其他因素,包括年龄、性别和体重指数。

结论

总之,我们提出了一种使用脂肪-水分解MRI的基于深度学习的大腿肌肉分割方法。这种快速、自动化的方法与传统人工分割相比,在脂肪分数估计中表现出优异的分割准确性和更高的可重复性,这将有利于临床实践,例如量化与衰老相关的或神经肌肉疾病等情况下大腿肌肉的脂肪浸润。此外,可重复的分割允许连续监测,这对于检测疾病进展或评估治疗效果可能特别有用。

补充信息

附加文件1:表S1。受试者的人口学和临床特征。

引用

  1. Ding J, Cao P, Chang HC, et al. Deep learning-based thigh muscle segmentation for reproducible fat fraction quantification using fat-water decomposition MRI. Insights Imaging. 2020. PMID: 33252711. doi:10.1186/s13244-020-00946-8
  2. 全文:PMC7704819(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7704819/

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。