深度学习自动分割大腿肌肉T2 mapping评估特发性炎性肌病
本研究回顾性纳入64例活动性IIM患者和10例健康对照,采用预训练卷积神经网络自动分割大腿肌肉T2 mapping,并与血清肌酶及胸部HRCT的ILD分级进行关联分析。结果显示自动分割的肌肉T2值可准确区分IIM与健康对照(截断值36.4 ms,敏感度96.9%,特异度100%),且与所有血清肌酶正相关,并可检测肌酶正常患者的肌肉病变。
要点
- DL自动分割大腿肌肉T2值>36.4 ms可高敏感度、高特异度区分活动性IIM与健康对照。
- 肌肉T2值与CK、ALT、AST、LDH均正相关,可用于评估活动性肌肉炎症。
- T2 mapping可发现血清CK正常患者的肌肉病变,支持亚临床肌肉受累诊断。
核心结论
- 基于深度学习的自动分割大腿肌肉T2 mapping可区分IIM患者与健康对照,并有望定量评估活动性肌肉炎症。
研究设计与样本
- 回顾性研究,纳入64例活动性IIM患者(27例DM、29例PM、8例ASS)和10例健康对照,使用3T MR扫描仪采集双侧大腿结构MRI和T2 mapping,采用DAFNE软件(预训练卷积神经网络)自动分割肌肉。
- 参考标准包括Bohan和Peter标准诊断IIM,血清肌酶(CK、ALT、AST、LDH)及胸部HRCT诊断和分级ILD(5分Likert评分,严重度0-4分与范围0-4分相加为ILD总分0-8分)。
关键影像表现/征象
- IIM患者大腿肌肉平均T2值为47.4±9.0 ms,显著高于健康对照的33.9±0.9 ms(p<0.001)。
- 脂肪饱和T2WI上可见股四头肌和大收肌轻度高信号,对应T2值升高(如41.0 ms或44.9 ms),彩色编码T2图呈浅蓝色。
- 31例(48%,31/64)患者HRCT发现ILD,未见蜂窝状改变,平均ILD评分为4.8±1.6。
- ASS患者平均ILD评分为4.75,显著高于非ASS患者的2.11(Z=2.556,p=0.011)。
- 肌肉T2值与ILD评分无显著关联(rs=0.226,p=0.080),有无ILD患者T2值相似(49.3±10.5 ms vs 45.3±6.5 ms,p=0.118)。
诊断标准与关键数值
- 以肌肉T2值36.4 ms为截断值区分IIM与健康对照,AUC为0.986(p<0.001),敏感度96.9%,特异度100%。
- 肌肉T2值与血清CK(p=0.003)、ALT(p=0.016)、AST(p=0.006)、LDH(p=0.015)均呈正相关。
- 以36.4 ms为截断值,22例血清CK正常患者中21例(95.5%,21/22)T2 mapping检出肌肉病变,其中6例经肌肉活检证实存在肌肉炎症。
- ILD严重度采用5分Likert评分(0无,1极轻微,2轻度,3中度,4重度),范围评分0-4分对应肺受累面积0、10-25%、25-50%、50-75%、75-100%,最终ILD评分为两者之和(0-8分)。
临床应用与阅片要点
- 日常阅片可关注大腿肌肉T2值,以36.4 ms为参考截断值辅助识别活动性肌肉炎症,尤其适用于血清肌酶正常的患者。
- DL自动分割可覆盖所有大腿肌肉所有层面,较手动ROI更全面,减少采样误差,但需注意序列间配准和手动修正。
- IIM患者应同时评估肌肉和肺部受累,因为肌肉T2值与ILD评分无显著关联,二者严重程度可能不一致。
- T2 mapping采集采用化学位移选择性脂肪饱和,可减少脂肪浸润对T2值的干扰,但晚期IIM脂肪浸润仍可能影响T2值判读。
局限性
- 除炎症外,晚期IIM的脂肪浸润也可导致肌肉T2值升高,尽管本研究采用脂肪饱和技术减少其影响。
- DL分割的T2值未与手动ROI或手动分割测量进行比较。
- 健康对照的年龄和性别比例与患者组不匹配。
- 回顾性单中心研究,样本量有限(64例患者和10例对照)。
全文中译11 节 · 点击展开
引言
特发性炎性肌病(IIM)是一组免疫介导的肌病,其中皮肌炎(DM)和多发性肌炎(PM)是两种主要类型,其特征为对称性近端肌无力和肌肉炎症证据 [1]。IIM 高度致残且易复发。它与多种并发症相关,如间质性肺病(ILD)、心律失常和恶性肿瘤 [2, 3]。尽管肌无力是 IIM 最常见的特征,但该症状通常呈亚急性发展,在确诊前数月内逐渐加重。
为检测肌肉炎症,磁共振成像(MRI)因其无创性和高软组织分辨率已被纳入 IIM 的诊断和监测流程 [4, 5]。反转恢复序列或脂肪抑制 T2 加权图像(WI)上的信号强度增高可定位肌肉水肿,而 T1WI 可检测肌肉中的脂肪浸润,因为脂肪替代会缩短 T1 时间。因此,MRI 有助于描绘肌肉受累模式、优化活检部位,并可重复进行以监测治疗反应 [4, 5]。
由于结构 MRI 图像中信号变化的评估具有主观性且难以量化,一种定量参数——T2 mapping——已被研究用于评估 IIM 中的活动性肌肉炎症。与疾病非活动期患者或健康志愿者相比,活动期 IIM 的青少年和成年患者大腿肌肉 T2 值升高 [6, 7]。随着快速采集技术的出现,双侧大腿肌肉的专用 T2 mapping 可在 3 分钟内以高分辨率采集,这大大提高了 T2 mapping 临床应用的可行性 [8]。然而,在后处理方面,大多数既往研究通过在 T2 图上手动绘制感兴趣区(ROI)来测量肌肉 T2 值,这耗时较长。此外,此类 ROI 遗漏了大量数据,并存在采样误差,原因如下:一个层面内可有多达 24 块肌肉,一名患者可有数十个层面,单个 ROI 面积通常小于 100 mm2,且 IIM 的肌肉受累在范围和信号强度方面均具有异质性。
深度学习(DL)可以自动学习和改进算法,并有可能用于分析所有层面中的所有肌肉 [9]。最重要的是,DL 可以自动进行肌肉分割。然而,利用 DL 分割的肌肉 T2 mapping 在 IIM 中的应用尚未见描述。本研究旨在验证 IIM 患者中由自动 DL 分割得出的大腿肌肉 T2 值,并以健康对照进行比较。同时旨在评估 IIM 患者的定量 T2 值与实验室和肺部检查结果的关系。
方法
研究人群
本回顾性研究经机构审查委员会批准,并豁免书面知情同意。IIM患者于2016年11月至2019年7月期间纳入研究。纳入标准符合Bohan和Peter标准[10, 11],并进行了专门的大腿MRI以评估活动性IIM。抗合成酶综合征(ASS)的定义为存在针对几种氨酰转移RNA(tRNA)合成酶之一的抗体,并存在肌炎和多器官受累,主要为ILD[12]。纳入10名无全身性或肌肉骨骼疾病的健康参与者作为对照组。
实验室和肺部评估
从病历回顾中记录血清肌酶,包括肌酸激酶(CK)、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)和乳酸脱氢酶(LDH)。两名放射科医生以共识方式评估胸部高分辨率计算机断层扫描(HRCT)图像,以确定是否存在ILD,并进一步按先前描述[13]对ILD的严重程度和范围进行分级。采用5点Likert评分,将ILD严重程度分级为无ILD(0)、极轻微(1)、轻度(2)、中度(3)或重度(4)(补充图1);ILD范围分级为0:无磨玻璃影,评分1:肺部10%至25%受累,评分2:25%至50%受累,评分3:50%至75%受累,评分4:75%至100%受累。最终ILD评分为两项评分之和。
MR成像
双侧大腿肌肉使用18通道体线圈通过3-T MR扫描仪(MAGNETOM Skyra,Siemens Healthcare,Erlangen,Germany)进行扫描。结构MRI包括冠状位T1WI(重复时间/回波时间(TR/TE),6.73/2.46 ms;层厚,1 mm;间隔,0 mm)、冠状位T2WI联合Dixon(TR/TE,3050/119 ms;层厚,5 mm;间隔,1 mm)和轴位T2WI联合Dixon(TR/TE,5330/51 ms;层厚,5 mm;间隔,1 mm)。在无间隔采集冠状位T1WI后,重建一组5 mm厚轴位T1WI用于临床评估。在采集T2WI联合Dixon后,自动生成四组图像,包括同相位、反相位、仅脂肪和仅水图像。
使用化学位移选择性脂肪饱和通过原型序列获得专门的轴位T2 mapping(TR,6690 ms;TE,10–100 ms,ΔTE = 10 ms;FOV,420 × 231 mm2;基础分辨率,254 × 84;层厚,5 mm;间隔,1 mm;欠采样因子,6;采集时间,1 min 49 s)。T2 mapping通过先前报道的技术[14]加速,GRAPPATINI,这是一种MARTINI(基于模型的迭代非线性反演加速弛豫测量)和GRAPPA(广义自动校准部分并行采集)的新型组合,允许在k空间中进行基于块的笛卡尔欠采样。使用GRAPPA加速因子2并附加MARITINI欠采样因子5,实现10倍总加速。因此,该T2 mapping序列的采集时间仅为2 min 18 s。
通过深度学习分割进行T2测量
使用一款名为“深度解剖联邦网络”(DAFNE,https://dafne.network/)的开源软件包对解剖图像进行分割[9]。该软件实现了预训练的定制化Vnet深度学习网络,用于大腿肌肉的自动分割,并提供了用于检查和优化自动分割结果的用户界面。该软件还执行增量学习,以持续提高在本地数据集上的分割性能,并与一个中央服务器对接,该服务器联合所有软件用户提供的改进模型。因此,DAFNE生成的分割图相对于手动分割标记图像“金标准”的Dice评分为0.89至0.95。
在本研究中,从T2WI Dixon图像上对肌肉组织与脂肪和骨骼进行分割,随后由同一软件使用DICOM方向信息将生成的ROI重新对齐至T2 mapping图像。最后,进行手动调整以校正序列间的错位,从而获得T2图的最终分割。从对齐后的ROI中提取平均T2值并用于后续分析(图1)。
统计分析
采用受试者工作特征(ROC)评估T2 mapping在患者与健康对照之间的效能,并计算ROC分析的截断值。采用Spearman相关系数评估T2值与实验室及肺部检查结果之间的相关性。采用Mann-Whitney U检验比较两组间T2值和ILD评分的差异。p < 0.05被认为具有统计学意义。数据使用SPSS v.26.0软件(SPSS Inc.)进行分析。
结果
研究人群
本研究共纳入74名受试者(64例患者和10名健康对照)。24例患者接受了开放肌肉活检,1例患者接受了皮肤活检,另有1例同时接受了肌肉和皮肤活检。最终,64例患者包括27例DM患者(12例明确DM,14例很可能DM)、29例PM患者(14例明确PM,15例很可能PM)和8例ASS患者;男性26例,女性38例(男女比例1:1.5);平均年龄44.3岁(范围:19–72岁);平均病程22.2个月(范围:1–144个月)。37例患者未经治疗,其余27例患者在糖皮质激素和免疫抑制剂治疗期间复发,即所有参与者均为活动性IIM。健康对照组包括1名男性和9名女性,平均年龄36.6岁(范围:25–63岁)。
使用深度学习分割的肌肉T2图可区分IIM与健康对照
为确定经深度学习(DL)分割的肌肉T2图能否检测特发性炎性肌病(IIM)的肌肉炎症,将IIM患者的大腿肌肉T2值与志愿者进行比较。IIM患者的平均T2值为47.4 ± 9.0 ms,远高于健康对照者(33.9 ± 0.9 ms),p值小于0.001。图2展示了T2 mapping在区分IIM与健康对照者方面诊断性能的ROC曲线。曲线下面积(AUC)为0.986(p < 0.001),截断值为36.4 ms(敏感度96.9%,特异度100%)。
使用深度学习分割的肌肉T2图很好地描绘了IIM中的活动性肌肉炎症
为进一步描述IIM患者的肌肉T2值,将该定量影像学参数与血清肌酶进行比较(表1)。结果显示,T2值作为活动性肌肉炎症的指标[6, 7],与所有血清肌酶(包括CK、ALT、AST和LDH)均呈正相关(p分别为0.003、0.016、0.006和0.015)。值得注意的是,若以36.4 ms作为截断值,T2图甚至在22例血清CK水平正常的患者中检测出21例(95.5%,21/22)存在肌肉病变,其中6例在MRI后接受了肌肉活检,并经组织学证实存在肌肉炎症。以图3为例,一名最初被认为是无肌病性皮肌炎(DM)的患者,其肌酶正常,无肌肉受累证据或症状,在MRI后被诊断为低肌病性DM(无客观肌无力,但有亚临床肌肉受累证据)。该患者在脂肪饱和T2WI上发现骨骼肌信号强度异常,并由T2值轻度升高(41.0 ms)所证实。
根据HRCT结果,采用ILD评分(范围:0–8),即基于Likert评分系统的ILD严重程度与范围之和,对IIM相关ILD进行半定量。31例患者(48%,31/64)被发现患有ILD,而未观察到蜂窝状改变。平均ILD评分为4.8 ± 1.6。ILD评分与肌肉T2值之间无关联(rs = 0.226,p = 0.080),无ILD患者与有ILD患者的T2值相似(49.3 ± 10.5 ms vs 45.3 ± 6.5 ms,p = 0.118)。8例抗合成酶综合征(ASS)患者被诊断,平均ILD评分为4.75;这明显高于无ASS者的2.11(Z = 2.556,p = 0.011)。此外,根据是否存在ASS对患者进行亚组分组;亚组分析中肌肉T2值无差异(Z = 0.771,p = 0.440)。
讨论
肌肉无力是IIM最典型的特征,以亚急性方式发展。因此,T2 mapping能够检测早期症状并量化肌肉炎症,在疾病的诊断和监测中具有重要价值。与手动测量相比,基于深度学习(DL)分割的肌肉T2测量更加准确、高效且经济,因为所有测量均可同时自动完成,且错误率大幅降低[15]。我们的结果显示,IIM患者经DL自动分割的T2值明显高于志愿者,截断值为36.4 ms(敏感度96.9%,特异度100%)。此外,IIM患者经DL分割的T2值与所有血清肌酶均呈正相关,T2 mapping可能能够检测肌酶水平正常的患者的肌肉病变。
使用增量学习和联邦学习相结合的方法,我们能够在不需要将受保护患者的数据传输给第三方的情况下改进现有的分割算法。近年来,联邦学习方法已被提出用于脑部[16]和肺部[17]病灶的自动分割。在本研究中,自动分割在图形用户界面内实现,允许即时手动验证和修正,并随着每个数据集进行持续学习[18]。OpenSAFELY是Goldacre等人创建的一个新的数据分析平台,旨在解决英格兰COVID-19的流行病学和治疗问题[19]。它涉及对该数据中心内初级保健患者记录的详细实时分析,并记录该团队在记录上运行的所有查询日志。这一概念的设计和构建旨在同时促进研究和患者隐私保护。我们在研究中采用了类似的方法。人工智能(AI)需要大量精心整理的数据才能以足够的准确性学习疾病特征;数据和患者的安全性构成挑战。然而,通过使用联邦学习[20],我们的MRI双侧大腿肌肉数据在所在医疗中心由DL就地存储和分析,而我们仅将训练后的算法参数——而非数据——汇集到中央服务器。也就是说,数据共享仅限于算法的改进,该算法被发送至另一个国家的开发者,并由全球的研究人员进行分析。这一新方法使得无需传输原始数据、无需共享大型敏感数据集即可获得结果成为可能。
DM的病理表现包括血管周围萎缩(该病的标志性特征)以及其他异常,包括心内膜肌毛细血管上的补体沉积和毛细血管密度降低。然而,细胞浸润主要分布于肌束内,并且在PM病例中炎症细胞侵入单个肌纤维[21]。上述肌肉坏死、变性、再生和炎症的变化导致细胞内和细胞外游离水量增加,可通过T2映射(一种T2弛豫时间测量方法)进行定量[22]。我们的结果表明,经DL自动分割的T2映射能够区分IIM患者的病变肌肉与健康对照者的正常肌肉。既往研究发现,IIM患者水肿肌肉的T2值升高,在FS T2WI图像上信号强度较未受累肌肉(呈等信号)增高[7]。然而,IIM患者表面上未受累的肌肉也表现出T2值升高,这已被活检中轻度炎症的发现所证实[8]。因此,在进行T2测量时应考虑这些发现。与手动放置的小ROI相比,经DL分割的T2映射可同时覆盖所有大腿肌肉,这应能提高该技术的临床实用性。
血清肌酶升高是1975年Bohan和Peter标准以及2017年EULAR/ACR指南中不可或缺的标准[23],其中CK被发现是最敏感、最常检测和随访的分析物。我们发现经DL分割的肌肉T2值与IIM患者血清肌酶(包括CK水平)之间存在显著相关性,这与既往发现一致。在临床实践中,约20%的DM患者即使存在肌无力,CK水平也可正常[24, 25]。在存在明显肌无力时,血清肌酶水平持续偏低也可能发生于晚期疾病和显著肌肉量丢失的患者。因此,在这些患者群体中,除肌酶水平外的评估可能有益,包括肌肉MRI,通常对双侧大腿肌肉进行T2映射[26, 27]。在本研究中,血清CK水平正常的患者被发现T2值升高。换言之,随着DL的出现,由T2映射生成的T2值可能用作评估活动性IIM肌肉炎症的替代标志物。
IIM患者发病的首要主要因素是肌肉受累,其次是IIM相关ILD。IIM患者中ILD的患病率差异很大(从39%到74%),取决于病例系列和用于识别ILD的方法[28, 29]。因此,在我们的队列中,基于HRCT发现约48%(31/64)的患者患有ILD。尽管IIM相关ILD在组织病理学上与特发性ILD及其他系统性风湿病中发生的ILD无法区分,但蜂窝状形成较少被观察到[30],这与本研究中未见蜂窝状形成的发现一致。此外,临床实践中观察到的肌肉受累严重程度与ILD之间的分离现象,本研究首次进行了定量证明,反映了IIM复杂且认识不清的发病机制。因此,在该疾病的诊断和治疗随访中,应同时评估肌肉和肺部受累情况[31]。由深度学习(DL)自动分割的T2 mapping提供了一种可测量的无创标志物,可显示炎症程度的变化。换言之,肌肉T2值的降低可被视为治疗目标。
本研究存在若干局限性。第一,除炎症外,晚期IIM中的脂肪浸润也会导致肌肉T2值升高。既往研究者曾尝试使用双指数模型对T2图上的脂肪浸润进行校正,但未发现脂肪校正T2值的理论优势[26]。在本研究中,通过在T2图数据采集过程中应用化学位移选择性脂肪饱和技术,将脂肪的影响降至最低[32]。第二,未将DL分割的T2值与手动ROI或分割测量进行比较,因为手动ROI放置仅覆盖大腿肌肉的一小部分区域,无法代表整个大腿肌肉。此外,手动肌肉分割对一名患者需要数小时,不切实际。另外,DL算法仅执行分割和定义掩膜,不会改变T2值。最后但同样重要的是,志愿者的年龄和男女比例与患者不匹配,但我们认为这是次要的混杂因素。
总之,使用自动DL分割的大腿肌肉T2 mapping能够区分IIM患者的病变肌肉与健康对照者的正常肌肉,并在评估IIM活动性肌肉炎症方面显示出应用前景。
补充信息
ESM 1(DOCX 306 kb)
引用
- Wang, Zhou, Hou, et al. Assessment of idiopathic inflammatory myopathy using a deep learning method for muscle T2 mapping segmentation. Eur Radiol. 2022. PMID: 36396791. doi:10.1007/s00330-022-09254-9
- 全文:PMC9672653(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9672653/
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。