MRI上前列腺分区解剖的自动分割:系统综述
本系统综述检索截至2021年6月30日的文献,纳入33篇关于MRI上前列腺分区自动分割(机器学习/深度学习)的研究,采用QUADAS-2(结合CLAIM调整)评估偏倚风险。仅2篇在全部四个QUADAS-2领域为低偏倚风险;分区术语异质(18种),仅2篇用盲法阅读、4篇评估观察者间变异。结论:方法学缺陷普遍,所评估方法稳健性和临床适用性低,尚缺乏数据库构建与分区分割方法的质量共识。
要点
- 自动前列腺分区分割研究普遍存在方法学缺陷,仅2/33在全部QUADAS-2领域低偏倚风险。
- 分区术语高度异质(18种),常误用「中央腺体」,PI-RADS分区定义不统一。
- 仅4篇评估观察者间变异、2篇采用盲法阅读,参考标准质量限制模型泛化。
核心结论
- 本系统综述发现自动前列腺分区分割文献存在大量方法学缺陷和偏倚,无法进行定量合并分析,所评估方法的稳健性和临床适用性低,且尚缺乏数据库构建与分区分割方法的质量标准共识。
研究设计与样本
- 系统综述遵循PRISMA声明,方案注册于PROSPERO(CD42021265371),检索PubMed、ScienceDirect、Web of Science和EMBase至2021年6月30日。
- 最终纳入33篇原始研究,均为回顾性数据集,使用机器学习或深度学习算法对前列腺MRI进行全自动分区分割,以人工分割为参考标准。
- 采用QUADAS-2框架并结合CLAIM清单调整评估偏倚风险与适用性,由两名放射科医生独立评估、第三名专家解决分歧。
关键影像表现/征象
- 原文未报告影像征象相关发现,此栏留空。
诊断标准与关键数值
- 仅2/33篇在全部四个QUADAS-2领域为低偏倚风险;患者选择领域低偏倚风险8/33(24%),参考标准领域10/33(33%),流程与时间领域22/33(67%),指标测试领域33/33(100%)。
- 共发现18种不同的前列腺分区术语,而MRI上描述4个解剖区;仅8/33提供了精确术语和分割方案。
- 仅2篇采用盲法阅读,4篇评估观察者间变异;仅7篇同时使用私有和公开数据测试。
- 13/33研究T2加权轴位层厚符合PI-RADS v2.1推荐(≤3 mm),公开数据库PROSTATEx层厚为3.6 mm。
- 常用评估指标为Dice系数(DSC)和Hausdorff距离;多数作者报告外周带分割结果低于全腺体、中央腺体或移行带。
临床应用与阅片要点
- 日常阅片和报告应遵循PI-RADS分区术语,明确外周带、移行带、中央区、前纤维肌肉基质,避免使用含义模糊的「中央腺体」。
- 参考自动分割结果时需注意其训练数据来源、层厚是否≤3 mm及有无外部验证,方法学质量低者结论外推需谨慎。
- 人工分割作为参考标准时建议至少两名培训过的读者并评估观察者间变异,尤其注意尖部和底部及移行带边界。
- 数据库应包含有无前列腺癌患者及不同前列腺体积、TURP术后等变异病例,以保证模型泛化性。
局限性
- 本综述的主要局限是纳入研究技术信息细节不足,每项研究网络超参数众多且有时缺乏足够细节,无法进行无偏倚的模型准确性比较。
- 部分相关论文可能因检索词、文章关键词或数据库索引不一致而遗漏,会议论文及未经同行评议的预印本(如ArXiv)未检索。
- 纳入研究本身多为单中心、回顾性、样本量有限,缺乏前瞻性验证和外部测试数据集。
全文中译22 节 · 点击展开
引言
磁共振成像(MRI)是检测和定位前列腺癌的首选影像学方法[1, 2],其依据是前列腺影像报告和数据系统(PI-RADS)评分系统[3],并取决于带区解剖结构。前列腺的带区分割对前列腺癌检测起着至关重要的作用,因为PI-RADS评分因所研究的区域而异——外周带病灶基于弥散加权成像(DWI),移行带病灶基于T2加权(T2W)成像——同时也对多种临床应用至关重要,如可重复的前列腺体积和前列腺特异性抗原(PSA)密度评估[4]、MRI-超声融合活检、放疗或局灶性治疗规划。
前列腺的带区分割通常由人工在T2W图像上逐层勾画前列腺轮廓来完成。这一过程极其耗时、繁琐,且由于器官边界的主观人为判读以及患者间前列腺解剖结构的高度变异和腺体信号强度的异质性,容易产生观察者间和观察者内变异[5]。确实需要开发自动方法以加速整个流程并提供稳健、准确的前列腺分割。
前列腺的自动带区分割是一项具有挑战性的任务,原因有多方面。前列腺腺体存在较大的形态学变异、腺内异质性以及与邻近组织对比度差等问题,使得前列腺带区轮廓的勾画十分费力。多机构适用性难以评估,因为图像采集存在广泛的技术性变异,MRI信号强度未标准化,图像特征受采集方案、场强、扫描仪类型、线圈类型等强烈影响[6]。
最后,自动分割方法的性能部分取决于数据库(所用数据的异质性、对可能选择偏倚的了解)、金标准的质量(由人类专家进行的前列腺人工勾画)、训练时间和硬件要求。最早常用的方法基于机器学习方法,如基于图谱的配准模型,即将若干带有对应标签的参考图像配准并变形到目标图像上[7, 8],或C均值聚类模型[9, 10]。2017年之后描述的最常见方法基于深度学习,采用卷积神经网络(CNN)实现特征的自动提取和语义图像分割。U-net[11]、V-net或ResNet等常见架构已被广泛使用。通过对现有模型进行修改和微调,如组合多个U-net[12–14]、添加注意力模块(如压缩与激励[15]、特征金字塔注意力[16])、添加模块[17]、过渡层或上采样策略[18],可以 either 提高经典CNN的准确性,或在减少内存和存储需求的情况下获得相同的准确性。
本综述的主要目的是通过系统梳理、分析和归类该领域迄今为止的相关文献,对已发表的前列腺分区解剖自动分割方法的适用性和效率进行详细分析和比较。我们还旨在识别方法学缺陷和偏倚,以证明需要在数据库构建和质量标准以及前列腺分区分割方法学方面达成共识。
材料与方法
本系统综述按照系统综述和荟萃分析优先报告条目声明(PRISMA)[19]进行和报告。执行本系统综述的方法已在PROSPERO [20]数据库注册(注册号CD42021265371),并在综述流程开始前经所有作者同意以避免偏倚。本研究在我们机构免于伦理审批,因为分析仅涉及去标识化数据。
数据来源与检索
在多个数据库(Medline、Science direct、Embase和Web of Science)中检索截至2021年6月30日发表的英文医学文献,使用以下检索词:
(prostatic OR prostate)AND(automated OR automatic)AND(segmentation OR segmented)AND(zone OR zonal)AND(“magnetic resonance” OR mri OR “magnetic resonance”OR mri OR mr)AND(“artificial intelligence” OR “deep learning” OR “machine learning”)及所有可能的组合。
未设置起始日期。
研究选择
全文选择由两名放射科医师独立完成,一位是专攻泌尿放射学和前列腺成像的资深放射科医师(S.M.,前列腺成像领域5年经验,每年阅片超过1000例前列腺MRI),另一位是专攻泌尿放射学和前列腺成像的放射科研究员(C.W.,前列腺成像领域1年经验,每年阅片超过1000例前列腺MRI)。如遇分歧,由第三位专攻前列腺成像的资深放射学教授(R.R.P.,前列腺成像领域15年经验,每年阅片超过1000例前列腺MRI)介入裁定。我们在图1中总结了每个数据库的检索策略详情。
我们将检索到的所有文章导入文献管理软件Zotero并去除所有重复项。随后,同样的两名放射科医师(C.W.、S.M.)独立人工筛选所得数据库的标题和摘要以确保相关性。在此阶段排除明显超出研究主题范围的文章。随后,检索并阅读所有剩余文章的全文,应用纳入和排除标准(见下文),冲突通过与第三位审稿人协商解决。还审查了这些相关文章的参考文献列表,以发现初步检索可能遗漏的论文,并使用相同的初始纳入和排除标准对这些论文进行筛选。
选择标准
纳入标准
符合以下条件的文章被纳入:原创文章,使用机器学习或深度学习算法,旨在通过分区解剖对人类前列腺MRI图像进行分割,采用全自动方法并以人工分割作为参考标准。
排除标准
如果文章为评论、社论、通讯、病例报告或摘要,则予以排除。同样排除采用半自动分割方法、未描述分割方法、分割整个腺体(WG)、或前列腺癌无带区解剖结构、缺乏相似性指标或缺乏针对真实分割评估的文章。
方法学质量评估
两名相同的放射科医师(C.W.、S.M.)使用诊断准确性研究质量评估工具-2(QUADAS-2)框架[21],并结合医学影像人工智能清单(CLAIM)[22]中的主题进行调整,独立评估并提取每篇纳入文章的数据,以评估每项所选研究的偏倚风险和适用性,分歧通过与第三名审查者协商一致解决。
提取的数据经制表、综合,并评估所提出技术的方法学缺陷和适用性。
结果
去除重复后,剩余458篇文章。最终达成共识,共纳入33篇文章[6–10, 12–18, 23–43](图1、2)。
数据集
训练集、验证集和测试集
所有文章均使用回顾性数据集。
训练集、验证集和测试集存在广泛异质性(表2)。
算法的性能测试可在与开发相同的数据来源上进行,也可使用不同的数据来源,并可基于公共数据、私有数据或两者的组合。15/33篇文章使用公共数据进行测试。仅7项研究[6, 9, 14, 30, 33, 36, 37]同时使用私有和公共数据进行测试,使其算法具有更好的泛化性。 none of them used prospective data for validation and testing.
最常用的公共数据集为PROSTATEx [44]、NCI-ISBI 2013 [45]和PROMISE12 [46](附加文件1:表S1)。
八位作者应用了交叉验证,使用可用数据集的子集作为训练集,而其余数据构成测试集以评估分割性能和准确性。九项研究报道使用交叉验证进行测试,对不同轮次的结果取平均值,从而增加了偏倚。
技术
我们识别出数据集在供应商数量、场强、线圈类型、序列、层厚、视野(FOV)以及用于自动分割的输入数据方面存在重大技术差异(表3)。不到一半(14/33)的研究使用了不止一种类型的供应商,7/33使用了1.5T和3T MRI机器。超过2/3(24/33)使用单模态输入,主要为T2加权平面,其中一项研究[13]结合表观扩散系数(ADC)图,另一项[9]结合多参数和多入射MR图像。T2加权轴位平面的层厚在13/33项研究中与PI-RADS v2.1建议一致(≤ 3 mm),而公共数据库PROSTATEx(3.6 mm)则不然。仅7项研究提供了用于地面真值手动分割的序列细节(序列类型、层厚、FOV)。
分区解剖
我们发现了18种不同类型的分区解剖术语,高度异质且不明确(图3,附加文件1:图S1)。在审查的33篇文章中,不到1/4(8/33)[23, 25, 32, 34, 36, 37, 40, 43]提供了精确的术语和分割方案。经常使用不恰当的术语“中央腺体”(CG),对中央区(CZ)和前纤维肌肉基质(AFMS)的定义模糊,二者交替被纳入外周带(PZ)或移行区(TZ),或主要完全未描述。两项研究误将术语“中央区”用于指代“中央腺体”[27, 39]。
标注工具
二十项研究(61%)报告使用手动勾画,而三分之一(11/33)报告使用标注工具。一个团队[31]明确说明放射科医生并未在所有层面上勾画分区,而是依赖其标注工具执行的插值。两项研究[32, 33]未提供任何信息。
标注者资质
大多数研究(27/33,81%)报告放射科医生或放射肿瘤科医生作为人类专家。3篇论文未提供标注者资质的详细信息,尽管其中一篇[15]明确使用了“专家”阅片者。对“专家”阅片者的定义大多不明确,未说明其判读的MRI数量,例如[10, 15, 26, 31, 34, 39]。
阅片者数量
阅片者数量及其经验见表4。两项研究未提供阅片者数量。虽然2/3的团队(22/33)报告使用不止一名阅片者,采用分割、分层或盲法阅片方式,但7项研究未提供阅片方式的信息。
阅片者内和阅片者间变异性
仅4项研究对注释的评估者间变异性进行了评级[7, 10, 23, 39]。一些研究使用替代技术以接近更好的参考标准同质性。在[13]中,四名放射科医生参加了一次培训课程,并共同分割了两名示例患者,以便对数据集的其余部分采用类似的方法,且仅使用经验丰富的放射科医生。在[6]中,由三名放射科医生分割的轮廓由两名放射肿瘤学家进行交叉核对和审查,从而使参考标准具有更好的同质性。在[18]中,初始前列腺掩膜由两名接受过前列腺分区分割训练的学生绘制。
偏倚风险和质量评估
详细结果见图4和附加文件1:表S2。
关于患者选择,如果存在明确的数据纳入和排除标准、纳入有和无前列腺癌(PCa)的患者,我们认为偏倚风险低。如果数据集仅由一种类型的扫描仪组成或未明确说明任何信息,则认为模型的适用性较低。
对于参考标准,审查了参考标准分割的阅片者数量和阅片类型。
需要明确划分数据库(分为训练集、验证集和测试集)以免除流程和时序方面的偏倚风险。一些文章使用了交叉验证方法,但未保留明确的独立测试数据集[6–8, 15, 25, 26, 30, 33, 36]。
总体而言,所有33项纳入研究在“指标试验”领域被判定为低偏倚风险,33项研究中有22项(67%)在“流程和时序”方面被判定为低偏倚风险。然而,仅1/4的研究(8/33)在“患者选择”领域被判定为低偏倚风险,1/3(10/33)在“参考标准”领域被判定为低偏倚风险。仅2篇文章在所有四个领域均被判定为低偏倚风险。
人工智能方法学
2017年之前,作者大多使用基于机器学习的方法进行前列腺区的自动分割。2017年之后,几乎所有发表文献均基于深度学习的卷积神经网络(CNN)(72%,24/33)。U-net [11]等常见架构已被广泛使用,通过对现有模型进行修改和微调,要么提高了经典网络的准确性,要么降低了内存和存储需求。
Dice系数(DSC)和Hausdorff距离[47]是常用的指标。几乎所有作者都发现PZ的分割结果劣于WG、CG或TZ分割,并将其归因于PZ更复杂的形状和结构,尤其是在前部纤维束内。十一位作者随后根据前列腺高度对他们的DSC结果进行了分层,方法各异:分为三等份[13],分为25%尖部、50%中部和25%底部[39],分别分为30%、40%和30%[31]。五位作者未提供任何关于如何划分体积的细节。
这些结果以及其余指标总结于表5中。
讨论
我们的系统综述凸显了MRI上前列腺自动分割文献中方法学缺陷的高发生率。
自2011年以来,33项研究提出了用于前列腺分区自动分割的新方法或对现有方法进行了微调。许多研究受到以下问题的制约:模型所用数据集的局限性、方法学错误、可重复性差以及研究设计中的偏倚。大多数研究侧重于为其算法实现最佳准确率,有时忽视了临床实践中的有效性和适用性。事实上,仅有兩篇文章的总体偏倚风险被评定为低。
常见的局限性涉及用于模型开发的数据集、用于模型评估的金标准定义以及用于模型评估的策略。
关于所用数据集,有些为私有数据,有些为公共开源数据。对于私有数据库,所用图像的先进技术特征(如成像序列、视野、噪声)以及患者的纳入和排除标准描述甚少或未予描述。大多数数据库缺乏对患者变异性的代表性,如前列腺体积、前列腺组织异质性、前列腺病理如前列腺癌(PCa)或良性增生。开源前列腺MRI数据库也存在若干局限性,如选择偏倚、标注有限、图像分辨率低、术语不清晰、缺乏人口统计学数据以及缺乏精确的组织学数据。
这可能对所开发模型的泛化能力产生直接影响。事实上,已有研究表明,例如前列腺形态差异会导致分割变异性:Montagne等[48]显示前列腺体积越小,变异性越高;多位作者[18, 39, 43]发现其模型应用于特殊病例(如经尿道前列腺电切术(TURP)史)时性能较差,而大多数数据库缺乏对患者变异性的代表性。
尽管繁琐且耗时,参考分割应至少需要两名经过培训的阅片者,因为阅片者间和阅片者内变异性可能很大。图像质量(层厚、部分容积伪影)、尖部或底部位置[48, 49]或前列腺形态差异[48]已被证明会降低分割准确率。Meyer等[34]显示,基于单一阅片者获得的分割进行训练会在训练数据中引入偏倚。事实上,当由创建训练数据的专家进行评估时,其性能高于与其他专家分割进行对比评估时的性能。Aldoj等[39]强调了精细标注数据集的必要性,因为其改善了算法的整体性能,表明良好标注的数据库比大型且粗略标注的数据库更为重要。
对所得自动分割的质量是依据相应的参考分割(即所谓金标准)进行评估的。主要方法是由人类专家对前列腺各带进行手动勾画。我们发现所使用的分割方案和术语存在很大异质性。共发现18种不同的前列腺勾画类型;每个解剖带均直接分割或通过从某一区域减去另一区域获得(由此得到CZ、AFMS和PZ,其可通过勾画获得,也可通过从WG和TZ中减去获得)。不同研究之间所用术语差异极大,且并不总是遵循PI-RADS [3, 50]中使用并引用的术语(例如,使用“central gland”而非CZ或TZ)。
读者数量、专业水平、观察者间和观察者内变异性评估大多缺失,由于观察者间变异性,这限制了所开发模型的泛化能力。仅2/33项研究 [10, 23] 对金标准采用了盲法判读。尽管如此,前列腺分割是一项极具挑战性的任务。前列腺通常具有模糊的边界。前列腺内外的像素强度均不均匀,且前列腺区域与非前列腺区域的对比度和像素强度非常相似。因此,前列腺各带的手动勾画受到对器官边界主观判读的限制。Becker等 [49] 在一项多读者研究中发现,腺体极端部位(尖部和底部)以及TZ勾画的变异性更高。Padgett等 [8] 发现了类似结果,其发现WG和TZ的DSC差异从0.88到0.81。Meyer等 [34] 表明,使用由单一读者获得的分割进行训练会将偏倚引入训练数据。
用于模型评估的策略因缺乏外部验证而受限。仅7项研究 [6, 9, 14, 30, 33, 36, 37] 同时使用私有和公共数据来评估其模型。缺乏外部测试数据集是所开发模型临床适用性的关键限制。数据增强和迁移学习也被用于帮助解决这一问题 [6, 14–16, 29, 31, 33, 35–41, 43, 51]。需要注意的是,某些偏倚无法通过数据增强或重复训练来增加样本量而得以平衡。例如,对由不含前列腺癌患者构成的数据集进行数据增强,并不能降低因其提供的更均一轮廓而引入的偏倚风险。
即使没有数据增强,MRI图像也包含广泛异质性,且大多数时候需要进行涉及强度归一化或降噪的预处理步骤,以去除混杂特征并提高图像质量 [52]。一些作者 [6, 13, 15, 31, 33, 35, 51] 还报告了后处理。未报告某些预处理或后处理步骤可能影响可重复性,而足够详细的信息可使读者判断该工作的质量和泛化能力。虽然可使用若干清单,例如来自提高卫生研究质量与透明度(EQUATOR)网络指南的清单 [53],但使用最近发表的医学影像人工智能清单 [22] 将有助于降低正在进行工作的偏倚风险。
未来,需要建立采样良好的数据库,纳入大量具有代表性的病例,以涵盖前列腺解剖变异性及技术特异性(2D T2 与 3D T2、层厚、视野(FOV)、不同厂商),从而兼顾解剖相关、疾病相关及采集相关的变异性,并配备多阅片者分割及明确的前列腺勾画指南(正如放疗计划中危及器官已采用的做法 [54])。
高质量数据库的构建应基于最新的 PI-RADS 建议,结合质量准则,如 ESUR/ESUI 共识质量要求 [55] 或前列腺成像质量(PI-QUAL)[56] 评分,以保证区域分割和肿瘤检测所必需的图像质量。
本综述的主要局限性在于缺乏所使用技术信息的细节;每项研究各自为网络贡献了无数超参数,有时细节不足以进行汇总。这使我们无法在无偏倚的情况下比较模型的准确性。
其他一些相关论文也可能因检索词、文章关键词或数据库索引之间的不一致而遗漏,例如会议论文集论文。特别是,ArXiv 等数据库未被检索,因为其也提供未经同行评审的预印本。
结论
本综述系统性地综合了已发表的基于 MRI 的前列腺自动区域分割方法。我们发现,目前文献中没有论文同时具备充分记录的数据集选择和分割标准以及足够的外部验证。
这凸显了对更高质量数据集、可记录且可复现的区域分割方法和术语以及足够外部数据集的迫切需求,以开发无偏倚的最佳质量方法:这是未来前列腺癌自动检测发展的关键一步。
补充信息
附加文件1:图S1。17种区域分割方案类型的示意图。类型A1:WG、PZ和CG(包括CZ + TZ + AFMS)的详细分割[23, 43]。类型A2:WG、CG(包括CZ + TZ + AFMS)的详细分割[25]。类型A3:PZ、CG(包括CZ + TZ + AFMS)的详细分割[36]。类型A4:仅对PZ和尿道进行分割[32]。类型B1a:PZ、CG(包括TZ和CZ)的分割,未对AFMS进行详细分割[31]。类型B1b:PZ、“TZ”(包括TZ和CZ)的详细分割,AFMS未分割[37]。类型B2a:WG、PZ、CG(包括TZ + CZ)的分割,未对AFMS进行详细分割(似乎未分割)[13]。类型B2b:WG、PZ、“TZ”(包括TZ + CZ)的分割,未对AFMS进行详细分割[8]。类型B2c:WG、PZ、CG(包括TZ + CZ)的分割,未对AFMS进行详细分割(似乎与PZ一并分割)[9, 26]。类型B3:PZ、CG(包括TZ和CZ)及AFMS的详细分割[34]。类型C1a:PZ、CG的分割,未对CZ或AFMS进行详细分割[7, 15, 17, 28, 33]。类型C1b:TZ和PZ的分割,WG = CG + PZ,未对CZ或AFMS进行详细分割[10, 16, 29, 41]。类型C2:WG、PZ和CG的分割,未对CZ或AFMS进行详细分割[18, 27, 39]。类型C3:WG、“TZ”(包括TZ + AFMS)的详细分割。PZ和CZ未分割[40]。类型C4:WG和PZ的分割,WG – PZ = CG,未对CZ或AFMS进行详细分割[6, 12]。类型D1a:WG、TZ的分割,未对CZ或AFMS进行详细分割[14, 35, 38]。类型D1b:WG、CG的分割,未对CZ或AFMS进行详细分割[24, 30]。类型D2:WG、TZ、PZ的分割,未对CZ或AFMS进行详细分割[42]。全文中未完整报告的分割方案细节系从这些文章的图中推断。CZ:中央区。TZ:移行区。AFMS:前纤维肌肉基质。PZ:外周带。CG:中央腺体。WG:全腺体。表S1。最常用公共数据库特征概述。表S2。纳入研究的偏倚风险与适用性详细质量评估。
引用
- Wu, Montagne, Hamzaoui, et al. Automatic segmentation of prostate zonal anatomy on MRI: a systematic review of the literature. Insights Imaging. 2022. PMID: 36543901. doi:10.1186/s13244-022-01340-2
- 全文:PMC9772373(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9772373/
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。