文献速递外周血管技术与安全MR

深度学习用于脂肪水肿与淋巴水肿患者皮下及筋膜下组织体积的标准化MRI定量

Deep learning for standardized, MRI-based quantification of subcutaneous and subfascial tissue volume for patients with lipedema and lymphedema.
PubMed 文献 · Eur Radiol · 2022-08-17

本研究开发并验证了一套深度学习流程,用于在脂肪水肿或淋巴水肿患者的下肢3D DIXON MR淋巴管成像上自动定位解剖标志并分割皮下与筋膜下组织,实现标准化体积定量。该流程在标志点检测(z偏差4.5±3.1 mm)和组织分割(Dice:皮下0.989±0.004,筋膜下0.994±0.002)上表现优异,并包含分割质量控制机制。作者认为该流程有助于脂肪水肿与淋巴水肿的诊断及保守或手术治疗监测。

要点

  • 该流程可自动提取下肢皮下与筋膜下组织体积,并标准化展示分布与不对称性,不受腿长、层厚和体位影响。
  • 分割质量通过概率图熵预测Dice评分进行控制,切片级模型可识别水脂交换或部分容积效应等局部伪影。
  • 临床可用于评估治疗前后组织体积变化,例如淋巴-静脉吻合术后随访中显示组织体积下降。

关键影像表现/征象

  • 深度学习流程包括解剖标志定位与质量控制下的组织分割,可输出皮下与筋膜下组织的体积、分布和对称性可视化。
  • 标志点检测在测试集上z偏差为4.5±3.1 mm,所有标志点偏差均小于10 mm。
  • 组织分割在测试集上Dice评分皮下组织为0.989±0.004,筋膜下组织为0.994±0.002。
  • 质量控制模型基于分割概率图熵预测Dice评分,切片级模型对水脂交换和部分容积伪影导致的局部质量下降更敏感。

诊断标准与关键数值

  • 标志点检测(腿模型回归与关键点检测集成)在测试集上的z偏差为4.5±3.1 mm,100%的标志点偏差小于10 mm。
  • 皮下组织分割的Dice评分为0.989±0.004,筋膜下组织分割的Dice评分为0.994±0.002(测试集)。
  • 质量控制回归模型预测Dice与真实Dice的相关系数:3D体积法皮下组织r=-0.76(p<0.001)、筋膜下组织r=-0.75(p<0.001);2D切片法皮下组织r=-0.78(p<0.001)、筋膜下组织r=-0.76(p<0.001)。

临床应用与阅片要点

  • 可利用该流程在临床MRL的DIXON水像上自动获得下肢皮下与筋膜下组织体积,辅助客观评估脂肪水肿或淋巴水肿的严重程度与不对称性。
  • 阅片时应关注质量控制提示,若熵值较高或预测Dice评分较低,需警惕水脂交换、部分容积效应等伪影对分割可靠性的影响。
  • 标准化分析不受腿长、层厚和体位影响,便于同一患者治疗前后随访比较组织体积变化。

局限性

  • 研究为单中心回顾性设计,样本量有限(45例),且仅使用DIXON水像进行方法开发。
  • 训练数据仅包含脂肪水肿和淋巴水肿患者,未纳入单纯肥胖无水肿患者,流程在该人群中的表现未经验证。
全文中译14 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:Eur Radiol. 2022 Aug 17;33(2):884–92. doi: 10.1007/s00330-022-09047-0

引言

腿部周径的慢性增加——无论是单侧还是双侧——都可由一系列病理状况引起:除静脉疾病和肥胖外,淋巴水肿和脂肪水肿被认为是肢体周径增加的主要原因 [1, 2]。淋巴水肿的特征是由淋巴引流受损导致间质液积聚而引起的软组织肿胀。通过炎症反应,可观察到皮下脂肪进行性沉积、组织纤维化,最终出现皮肤改变 [2]。脂肪水肿是一种以脂肪组织在肢体堆积为特征的疾病,主要影响女性。患者通常表现为尽管上半身纤细但体脂在肢体上分布不成比例,以及疲劳和痛觉过敏等其他症状。此外,受累患者可能发生淋巴水肿 [3, 4]。脂肪水肿的病理生理学迄今知之甚少 [1, 4, 5]。在患有脂肪水肿或淋巴水肿的患者中,机械性损害——可导致继发性关节炎或干扰正常行走——和情绪障碍——源于不符合当今审美理想的外观——均可导致生活质量受损 [1]。

传统上,脂肪水肿和淋巴水肿的诊断通过临床检查进行,包括评估腿围、凹陷性水肿、疼痛、典型临床体征(如Stemmer征)、标准化人体测量(如体重、体重指数、腰臀比、腰高比)和患者病史 [1, 2, 4]。特别是自从淋巴水肿的显微外科治疗选择引入以来,专业中心已引入通过临床MRI——例如作为MR淋巴管造影(MRL)——对受累腿部进行更深入的评估,用于治疗计划和治疗监测 [6, 7]。在这方面,MRI越来越多地用于脂肪水肿和淋巴水肿的诊断、分期评估和随访,尤其是多回波T1加权图像(例如使用DIXON技术)已被证明可用于解剖学评估 [8–11]。由于简单的人体测量方法无法分别评估筋膜下和皮下组织,也不能提供这些组织沿整个肢体的体积分布信息,因此利用现有影像对这些不同腔室进行精确体积评估是合乎逻辑的下一步。

近年来,深度学习(DL)方法已在医学图像分析中展现出自动化量化组织体积的潜力 [12–15]。因此,DL也可能为疑似脂肪水肿或淋巴水肿患者的基于影像的组织体积自动化评估提供有用的工具。

对于基于人工智能系统的临床应用,重要的是自主程序具有质量控制机制,能够在测量有效性可能受限时警告主治医师 [14]。质量控制不仅对评估单次检查很重要,还可用于监测系统在部署期间的表现。硬件要求和推理所需时间是影响自动化系统经济性和可及性的其他方面,这使得比较不同DL模型的性能和效率具有意义。

因此,本研究的目的是开发一种深度学习(DL)流程,能够从脂肪水肿或淋巴水肿患者腿部的可用MRI中自动提取组织体积、分布和对称性的精确归一化信息,用于皮下组织(SCT)和筋膜下组织(SFT)的标准化量化,同时研究不同架构的性能和效率。

材料和方法

数据集

本回顾性研究经机构审查委员会批准,并豁免数据分析的书面知情同意。纳入2016年4月至2017年5月期间接受下肢临床磁共振淋巴成像(MRL)检查的连续患者,条件为临床诊断为下肢淋巴水肿(原发性或继发性)或脂肪水肿。所有患者的成像指征均为治疗规划(例如淋巴-静脉吻合术)。3D DIXON MRL(层厚5 mm,重叠重建层间距2.5 mm,平面内分辨率1 mm)作为治疗前诊断评估的一部分,在1.5-T MR系统(Ingenia;Philips Healthcare)上进行,以评估大体和淋巴解剖结构以及淋巴回流障碍的存在和范围。临床诊断由转诊的经验丰富的淋巴学专家根据淋巴水肿和脂肪水肿的国家指南作出[4, 17]。

总体而言,在所选时间段内共检查了45例患者(42例女性,平均年龄44.2 ± 14.8岁),并纳入本研究。45例患者中,36例(80%)患有淋巴水肿(13例原发性,23例继发性),9/45例(20%)患有脂肪水肿,所有男性均为继发性淋巴水肿并接受MRL进行淋巴-静脉吻合术的治疗规划。方法开发仅使用DIXON水图像。数据集总共包含18,760层轴位图像。数据随机分为训练集(40例,38例女性,平均年龄45.0 ± 15.5岁)用于五折交叉验证,以及5例(4例女性,平均年龄37.4 ± 4.5岁)的留出测试集。关于成像参数和训练前图像预处理的详细信息见补充材料S1。

标志点检测的地面真值生成使用Slicer 3D手动完成[18]。对于组织分割,由一名研究助理(S.N.,具有3年医学图像分割经验)应用半手动工具和AI辅助标注。所有标注最终由一名委员会认证的放射科医师(C.C.P.,具有10年淋巴成像经验)批准。关于标注的进一步信息见补充材料S2。

该DL流程最终还应用于常规临床实践的四个不同使用场景,以展示所提出方法在评估下肢组织体积、分布和对称性以及监测保守或手术治疗方面的临床实用性。

腿部归一化方法开发

图1展示了所开发流程的概览,该流程由两种标志点检测方法和一种质量控制的组织分割方法组成。

图1 DL流程概述。(a) 首先,3D MRI扫描由2.5D EfficientNet-B1在轴位切片中进行分析,以确定每个切片相对于由踝、膝、耻骨联合和股骨头组成的腿部模型的相对足-头位置。随后,图像数据集自动裁剪至腿部。(b) 为提高腿部归一化的准确性,所有标志点由另一个2.5D EfficientNet-B1在降采样裁剪图像的冠状位切片中通过关键点检测进行预测,其中下肢在前后方向上逐切片居中至图像中心。(c) 然后,使用以EfficientNet-B1为骨干的2.5D U-Net在轴位切片中分割皮下脂肪组织和筋膜下组织体积。最后,将识别出的标志点和组织体积相结合,以实现组织的标准化定量(见图3和图4) 查看原图 ↗

(i) 腿部模型回归

在第一种标志点检测方法中,2.5D CNN编码器通过回归确定每个轴位切片在标准化腿部模型中的相对足-头位置。为创建标准化腿部模型,对整个数据集确定了手动定义的标志点之间的平均距离(踝-膝:95.0 ± 6.7 cm,膝-耻骨联合:99.1 ± 6.1 cm,耻骨联合-股骨头:16.7 ± 1.8 cm)。标志点之间的距离被归一化为踝与膝之间的平均距离,得出踝、膝、耻骨联合和股骨头在腿部模型中的相对位置分别为−1、0、1.045和1.220。标志点之间切片的位置值通过线性插值确定。随后为每个轴位切片分配两个数值,分别对应左腿和右腿中该切片在腿部模型中的相对位置。随后,股骨头以上的图像区域被排除在进一步分析之外。

(ii) 关键点检测

在第二种标志点检测方法中,另一个2.5D CNN编码器使用关键点检测在冠状位重建切片中检测标志点的图像坐标。为创建冠状位重建切片,裁剪后的图像被降采样至2.5 mm的各向同性分辨率。然后,逐切片将身体掩膜的重心在前后方向上移至图像中心。随后,图像矩阵在距图像中心前方25 mm和后方25 mm处进行裁剪。该区域包含所有标志点。

为处理3D信息,使用三个轴位切片(每切片间隔5 mm)的2.5D CNN编码器作为本研究中所有CNN的输入通道。此外,针对两种标志点检测方法,均实现了已建立的ResNet的现代实现的不同版本(ResNet18、ResNet34、ResNet50),以及近期引入的EfficientNet的不同版本(B0、B1、B2、B3、B4)[19, 20]。根据验证性能和模型效率(以可训练参数数量和所需浮点运算次数衡量)选择最合适的模型。为训练标志点检测方法,使用了五折交叉验证,并使用交叉验证模型的集成进行测试。

组织分割的方法开发

模型

研究了具有类 U-Net 架构的 2.5D 模型,用于在 3D MRI 扫描中分割皮下脂肪组织。再次,为 U-Net 模型实现了不同版本的 ResNet(ResNet18、ResNet34)和 EfficientNet(B0、B1、B2、B3、B4)编码器 [19, 20]。将 ResNet 作为 U-Net 编码器的应用已被证明能够在 MRI 中以高精度分割肝脏 [21]。此外,还训练了一个 CDFNet,该网络最近被提出用于 DIXON MRI 图像和计算机断层扫描中的腹部脂肪组织分割 [13, 14]。再次,根据验证性能以及模型在可训练参数数量和所需浮点运算方面的效率,选择了最合适的模型。随后,所选的 2.5D 网络架构还被训练用于在矢状面和冠状面切片上执行分割,以研究多视角方法是否对当前分割任务有益 [13]。

与关键点检测方法一样,训练采用五折交叉验证。测试使用交叉验证模型的集成进行。有关所用网络架构以及用于训练组织分割和关键点检测方法的超参数的详细信息,可参见附录 S3 和 S4。

质量控制

为自动评估分割质量,分割模型概率图的熵被用作度量,以如先前研究 [14, 16] 所提出的那样,根据 Dice 评分来预测预测不确定性。

在本研究中,训练了两个线性回归模型。一个基于 3D 分割整个概率图的熵,如原始工作中所提出的;另一个则逐切片考虑熵 [16]。由此,应研究这是否允许对质量进行局部评估,从而代表对 3D 方法的有益扩展。仅考虑踝部与股骨头之间、且分割面积大于图像截面 10%(12.7 cm2)的切片。线性回归模型使用交叉验证组织分割方法所有验证病例的预测分割进行训练,并在留出测试集上进行测试。使用 SciPy 1.6.3 计算 Pearson 相关系数(r)[22]。

结果

腿部归一化

EfficientNet-B1 被选为用于腿部归一化的两种关键点检测方法中最合适的模型,因为它在五折交叉验证中表现出色,同时具有最少的可训练参数数量和浮点运算量,从而在 NVIDIA Titan RTX 图形处理单元(GPU)上,第一种方法每名患者的预测时间为 2.7 s,第二种方法为 0.1 s。对于腿部模型回归(Δz = 6.6 ± 2.7 mm)和关键点检测(Δz = 6.6 ± 3.2 mm),观察到交叉验证关键点检测模型验证病例的预测与手动定义的真实值之间的平均偏差(Δz)较低。平均性别特异性偏差为:腿部模型回归 Δz-女性 = 6.4 ± 2.6 mm、Δz-男性 = 10.0 ± 4.4 mm,关键点检测 Δz-女性 = 6.6 ± 3.2 mm、Δz-男性 = 7.9 ± 4.0 mm。

所有交叉验证模型的集成在留出测试集上也显示出较低的平均偏差(腿部模型回归:Δz = 5.6 ± 5.6 mm;关键点检测:Δz = 6.9 ± 4.4 mm)。考虑到测试集中高达10 mm的可接受偏差,腿部模型回归检测到的标志点中有85.7%是正确的,关键点检测检测到的标志点中有74.3%是正确的。使用集成中的预测,性能提高至Δz = 4.5 ± 3.1(100% < 10 mm)。

组织分割

EfficientNet-B1也被选为最适合组织分割的模型,因为它在五折交叉验证中在轴位切片上再次显示出优异的分割性能,分割SCT的平均Dice评分为0.982 ± 0.007,分割SFT的平均Dice评分为0.989 ± 0.003。在NVIDIA RTX 3090 GPU上每位患者的平均预测时间为8秒。两种性别的Dice评分始终高于0.95(女性Dice评分:SCT = 0.983 ± 0.007,SFT = 0.989 ± 0.003;男性Dice评分:SCT = 0.967 ± 0.005,SFT = 0.984 ± 0.003)。结合三个多视图模型的预测(每个模型分别在轴位、冠状位和矢状位切片上进行分割)并未改善本已非常高的分割性能(Dice SCT:0.980 ± 0.008;Dice SFT:0.987 ± 0.004)。

应用于轴位切片的五折交叉验证EfficientNet-B1模型的集成在测试集上也取得了优异的Dice评分(Dice SCT:0.989 ± 0.004;Dice SFT:0.994 ± 0.002)。

关于组织分割和标志点检测模型选择的详细信息和图示可见补充材料S5。

质量控制

两种线性回归模型(基于3D体积和2D切片)均表明,皮下组织分割概率图的熵与以Dice评分表示的分割质量之间存在高度相关性(3D体积:SCT r = −0.76 p < 0.001,SFT r = −0.75 p < 0.001;2D切片:SCT r = −0.78 p < 0.001,SFT r = −0.76 p < 0.001)。将模型应用于留出测试集时,观察到预测Dice评分与实际Dice评分之间的平均偏差较低(3D体积:ΔDice SCT:0.003 ± 0.002;ΔDice SFT:0.001 ± 0.001;2D切片:ΔDice SCT:0.003 ± 0.002;ΔDice SFT:0.002 ± 0.003)。图2展示了两个回归模型,并说明了这些模型在自动识别分割质量较低病例中的应用。

图2 用于组织分割卷积神经网络(CNN)质量控制的两个线性回归模型如图上半部分所示。这些模型用于以Dice评分预测皮下组织类别的分割质量。第一个回归模型基于3D分割整个概率图的熵(左上)。开发了第二个回归模型以逐层预测分割质量(右上)。灰色区域代表95%置信区间。框中给出了Pearson相关系数(r)以及双尾p值。图的下半部分分别显示了三位患者(a、b、c)的2.5D分割CNN的3通道输入,其概率图熵和Dice评分在上方图中高亮显示。数字代表层面编号。对于整个3D体积和2D层面的大多数,观察到总体分割质量优异,具有高Dice评分和低熵(参见患者a)。逐层预测Dice评分可以额外捕捉由例如水脂交换(如患者b所示)或部分容积伪影(如患者c所示)引起的对分割质量的局部影响。对于患者b和c,相邻的受伪影影响的层面(其预测Dice评分也较低)也在上方图中高亮显示 查看原图 ↗

应用案例

训练好的深度学习流程被应用于常规临床实践的不同应用案例,以创建腿部归一化可视化,如图3和图4所示。

图3 利用MRI体积信息评估体积、分布和对称性的应用案例。左侧(a)为一位无下肢肿胀的患者(女性,45岁),中间(b)为一位脂肪水肿患者(女性,46岁),右侧(c)为一位左侧继发性淋巴水肿不对称的患者(女性,66岁)。对每位患者逐层显示累积轴位组织面积,其中筋膜下组织(SFT)的分布以蓝色显示,皮下组织(SCT)的分布以黄色显示,左右腿分别在股骨头与踝之间分开显示。检测到的标志点用虚线标示。为了突出两腿之间组织体积的差异,不对称组织部分以深蓝色显示SFT、深黄色显示SCT。这在不对称淋巴水肿患者(c)的图示中尤为明显。在右腿和左腿旁边,组织体积以升为单位用相应彩色字体标示,SFT和SCT总体积用白色字体标示 查看原图 ↗
图4 评估手术治疗成功的应用案例。该图展示了一位接受手术治疗(淋巴静脉吻合术)的淋巴水肿患者(女性,55岁)治疗前和1年随访扫描的归一化可视化图像。图中展示了随访检查的累积轴位组织面积,其中筋膜下组织(SFT)的分布以蓝色显示,皮下组织(SCT)的分布以黄色显示,分别展示左右腿股骨头与踝关节之间的区域。初始扫描与随访扫描之间的组织体积差异,即在治疗过程中减少的组织部分,以红色标示。在右腿和左腿旁边,初始检查时测得的SFT和SCT总体积以白色字体标示,随访检查时测得的SFT和SCT总体积以蓝色和黄色字体标示,体积减少量以红色字体标示。在图右侧,初始扫描与随访扫描之间SCT体积的变化以黄色呈现,并采用不同的比例尺以突出显示治疗过程中组织体积主要减少的部位。 查看原图 ↗

讨论

本工作提出了一种深度学习方法,用于标准化量化脂肪水肿和淋巴水肿患者下肢的皮下组织和筋膜下组织,该方法有望对形状、体积和不对称性提供深入描述。

现代成像技术在疑似脂肪水肿和淋巴水肿或淋巴漏患者的检查中已变得越来越重要[6, 7, 11, 23, 24]。特别是高分辨率三维磁共振淋巴造影(MRL)已被证明可用于淋巴疾病新手术治疗方案的规划[25],也可能有助于治疗随访。通常,形态学序列是MRL协议的一部分,可用于患腿的结构评估。因此,将深度学习的能力应用于现有的形态学三维成像以自动提取原本可能未被利用的精确组织体积信息,是一个合乎逻辑的结果,与传统测量相比,这可能有助于对水肿性疾病进行更客观的评估。

对所识别组织的空间标准化使得检查之间的比较不受腿长、层厚和位置的影响,最终允许比较患者初始扫描和随访扫描之间的组织体积分布。为实现自动化标准化分析,利用深度学习解决了两个任务,即组织分割和标志点检测。作为迈向临床应用的进一步步骤,本研究提出的流程包括了先前工作中提出的分割质量控制方法[16]。作为对该基于整个三维体积的方法的扩展,我们额外开发了一个在三维扫描的每个层面上训练的线性回归模型。这允许评估分割过程的局部质量,因此对局部效应(例如由成像伪影引起的)更为敏感。

对于关键点检测和组织分割方法,均选择了包含三个切片的2.5D方法。与3D卷积神经网络(CNN)相比,该方法的计算成本显著降低,无需预先降采样即可分析高分辨率MRI扫描,同时降低了硬件需求和推理所需时间。由于2.5D方法已取得优异结果,通过多视角方法纳入更多3D相关信息未发现对给定任务有益。此外,本工作还研究了不同CNN模型在关键点检测和组织分割中的性能与效率。最近发布的EfficientNet在发布时于ImageNet数据集上展现了最先进的性能,同时保持了非常高效的计算需求,在医学关键点检测和组织分割中也被观察到具有高性能和高效率。采用高效模型对于深度学习(DL)在常规临床实践中的应用也具有重要意义,因为这些模型可通过进一步降低硬件需求和推理时间来降低成本。

关于使用手动关键点定义和非DL算法对乳腺癌患者淋巴水肿评估中组织体积量化的先前工作,以及先前关于医学影像中身体部位检测的工作的详细比较,可见补充材料S6 [8, 26–28]。

我们的研究存在若干局限性。首先,用于方法开发的MRI图像来自脂肪水肿和淋巴水肿患者的常规临床实践,但没有单纯肥胖且无水肿改变的患者。然而,我们假设——尽管本研究未明确验证——该深度学习流程在无水肿的单纯肥胖患者中同样有效,因为较高的Dice值表明,用于方法开发的患者中不存在水肿的组织区域也被高精度地分割。此外,方法开发的数据主要来自女性患者。这是由于淋巴水肿和脂肪水肿均主要发生于女性人群,且本研究使用的是常规临床实践数据。然而,在验证集的男性患者中也观察到了标志点检测和组织分割的优异性能值。此外,该深度学习方法仅使用来自单台MRI扫描仪的DIXON水图像进行开发。需要多中心试验来验证其普遍适用性。经合理请求后,该算法将可用于协作性多中心研究(https://qilab.de)。此外,在当前阶段,尚未对分割组织进行关于液体浸润的进一步研究,而液体浸润对脂肪水肿和淋巴水肿的治疗策略具有重要意义。在这方面,所提出的方法可作为未来研究中进一步定量分析组织特性的基础,例如通过多参数成像。最后,所提出的方法迄今尚未在临床试验中用于评估治疗反应等。然而,我们展示了该方法的潜在用例,包括组织体积评估、不对称组织比例评估以及手术治疗后体积变化评估的示例。未来研究应评估该方法在脂肪水肿和淋巴水肿的诊断、治疗计划和治疗监测中的临床价值,与常规人体测量指标进行对比或作为其补充。

结论

本研究提出了一个深度学习系统,用于基于MRI对疑似脂肪水肿或淋巴水肿患者的组织体积、分布和对称性进行标准化和客观分析。

补充信息

ESM 1(PDF 346 kb)

引用

  1. Nowak, Henkel, Theis, et al. Deep learning for standardized, MRI-based quantification of subcutaneous and subfascial tissue volume for patients with lipedema and lymphedema. Eur Radiol. 2022. PMID: 35976393. doi:10.1007/s00330-022-09047-0
  2. 全文:PMC9889496(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9889496/

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。