文献速递妇产影像腹部MR

深度学习实现MRI子宫体积自动估算,用于HIFU治疗患者

Deep learning enables automated MRI-based estimation of uterine volume also in patients with uterine fibroids undergoing high-intensity focused ultrasound therapy.
PubMed 文献 · Insights Imaging · 2023-01-05

本研究开发3D nnU-Net模型,在100例患者(44例无肌瘤,56例子宫肌瘤接受超声引导HIFU)的T2加权MRI上自动分割子宫并计算体积。模型在保留测试集上Dice评分标准组0.92、HIFU组0.96,与两位阅片者间一致性相当;自动测量的HIFU前后体积差与真实值高度相关(r=0.99)。

要点

  • 3D nnU-Net可自动分割子宫,Dice评分0.92–0.96,与放射科医生手动分割一致性相当。
  • 自动测量的HIFU前后子宫体积差与手动测量高度相关(Pearson r=0.99),可用于疗效随访。
  • 模型仅在单中心1.5T轴位T2WI Turbo Spin Echo序列上训练,跨中心泛化性待验证。

核心结论

  • 3D nnU-Net能准确自动分割子宫并计算体积,性能与人类阅片者相当,可用于HIFU治疗前后体积变化的客观评估。

研究设计与样本

  • 单中心回顾性研究,共100例患者(标准组44例无肌瘤,HIFU组56例有肌瘤),使用1.5T MRI轴位3D T2加权Turbo Spin Echo序列(层厚≤5 mm,面内体素≤1 mm)。
  • HIFU组包括治疗前(n=56)、治疗后≤1天(n=54)和最后一次随访(n=53,平均420±377天)共207次扫描;数据随机分为80%训练集和20%保留测试集,采用五折交叉验证。
  • 参考标准由一位 board-certified 放射科医生和一位放射科住院医师独立手动分割生成,治疗前扫描用于评估阅片者间一致性。

关键影像表现/征象

  • 原文未报告影像征象相关的描述。

诊断标准与关键数值

  • 默认3D nnU-Net在验证集上平均Dice评分0.95±0.05,平均相对体积差3.79%;CBAM nnU-Net平均Dice评分0.95,相对体积差3.70%,无显著优势。
  • 保留测试集上默认模型整体平均Dice评分0.95,平均相对体积差4.08%;标准组Dice 0.92±0.07,HIFU组Dice 0.96±0.02。
  • 两位阅片者在治疗前数据上平均Dice评分0.92,平均相对体积差4.03%;模型与两位阅片者的一致性Dice评分≥0.91。
  • 自动测量的HIFU前后体积差与手动测量真实值Pearson相关系数0.99,Bland-Altman平均差异-1.08 cm³。

临床应用与阅片要点

  • 可将模型用于HIFU治疗前后子宫体积的快速、可重复测量,辅助客观评估治疗反应。
  • 整个子宫体积变化可作为多肌瘤患者的疗效指标,无需已知每个肌瘤的具体位置和数量。
  • 模型仅适用于轴位T2加权Turbo Spin Echo序列且空间分辨率符合训练条件,不适用于其他序列或参数。

局限性

  • 部分标注数据为半自动生成(先用模型预测再手动修正),但最终均由 board-certified 放射科医生审核。
  • 模型仅基于单中心、单台1.5T MRI扫描仪的数据训练,泛化性需多中心验证。
  • 模型仅训练于轴位T2加权Turbo Spin Echo序列,对其他序列的适用性未评估。
全文中译8 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. 2023 Jan 5;14:1. doi: 10.1186/s13244-022-01342-0

背景

子宫肌瘤,也称为平滑肌瘤,是育龄女性最常见的良性盆腔肿瘤。约三分之一的受累患者可观察到肌瘤相关症状[1]。主要症状为严重且延长的月经出血(月经过多和痛经),可能导致贫血相关并发症。根据大小和位置,子宫肌瘤还可引起盆腔压迫感、尿频甚至尿失禁,并可能与不良生殖结局相关。因此,有症状的子宫肌瘤对日常生活和生活质量具有负面影响[2, 3]。

当前治疗策略主要涉及手术干预,如腹腔镜或宫腔镜子宫肌瘤切除术以及腹腔镜子宫切除术[4–6]。如今,保留器官的微创和无创治疗正变得越来越重要。近年来,高强度聚焦超声(HIFU)在超声或磁共振断层成像引导下,也已成为治疗有症状子宫肌瘤的一种可行、有效且低风险的治疗选择[7–11]。在HIFU操作过程中,通过将超声能量聚焦于肌瘤内部对子宫肌瘤进行热消融,导致热凝固坏死和额外的空化损伤[9, 12–16]。既往研究表明,HIFU治疗有症状的平滑肌瘤可在随访期间使子宫肌瘤体积和子宫总容积显著缩小。此外,已证实肌瘤相关症状的改善与子宫肌瘤体积缩小之间存在相关性[7, 10, 11]。因此,为了实现客观、快速且可重复地评估治疗反应,子宫测量的自动化非常可取。

近年来,机器学习尤其是深度学习方法已在包括医学影像在内的多种医学任务中展现出实用性。迄今为止,医学影像中的大多数深度学习方法使用以监督方式训练的人工神经网络,这意味着模型开发需要具有所需结局(也称为真值)的标注数据。此类深度学习模型的一个潜在应用是定量图像分析的自动化,否则这将需要繁琐的人工操作。此外,深度学习方法在检测和表征病理发现方面也展现出巨大潜力,可协助放射科医生作出诊断[17–21]。

针对基于医学图像分割的体积测量,也已提出多种深度学习方法。用于多种器官和组织类型分割的一种成功神经网络是开源框架nnU-Net,这是一种基于Ronneberger等人提出的U-Net模型的自适应流程[22–24]。为改善特征图信号的加权,已提出卷积块注意力模块(CBAM),其在多种分类、目标检测和分割任务中(包括与U-Net架构结合时)均带来了高性能[25–28]。

最近,已有多种神经网络被提出用于MRI和超声成像中的子宫分割,其中大多数也基于U-Net架构[29–32]。然而,这些研究均未提出一种适用于子宫精确自动体积测量的方法,尤其是在需要评估纵向数据以评价治疗反应时,例如在接受HIFU治疗的子宫肌瘤患者中。

在此背景下,本研究旨在开发一种3D深度学习方法,能够对有和无子宫肌瘤的患者进行精确的子宫分割,并确保在HIFU治疗期间自动评估子宫体积变化。为此,训练并比较了两种神经网络:标准3D U-Net和在编码器中加入额外CBAM的改进U-Net,二者均在nnU-Net框架中实现。

方法

数据集

本研究经波恩莱茵弗里德里希-威廉大学医学院当地伦理委员会批准(编号295/19)。纳入44例无子宫肌瘤并接受常规盆腔MRI的连续患者(标准组,平均年龄38 ± 13岁)和56例子宫肌瘤接受超声引导HIFU治疗的患者(HIFU组,平均年龄43 ± 6岁)。唯一纳入标准为可获得在1.5 Tesla扫描仪(Philips Ingenia)上使用turbo spin echo序列采集的轴位3D T2加权MRI,层厚< = 5 mm且平面内体素大小< = 1 mm。在HIFU组中,每位患者考虑三次检查:HIFU干预前检查(preHIFU,n = 56)、HIFU治疗后最多一天的即刻随访检查(postHIFU_1,n = 54)以及最后一次可获得的随访检查(postHIFU_Last,n = 53)。2例在HIFU后一天内无早期随访,3例患者仅接受一次随访检查。HIFU与最后一次可获得随访检查之间的平均时间间隔为420 ± 377天(范围:[97; 2007])。总体而言,共使用来自100例患者的207次扫描用于方法开发。有关数据集和扫描参数的更多信息见表1。

preHIFU图像的金标准由一名委员会认证的放射科医师(O.S.,9年放射学经验和4年妇科影像经验)生成,并另由一名放射科住院医师(T.T.,住院医师第4年,具有2年妇科影像经验)生成。使用开源软件3D Slicer在所有层面勾画子宫轮廓[33]。为辅助生成其余数据集的金标准,基于委员会认证放射科医师对preHIFU数据集的 segmentation 训练了一个默认3D nnU-Net[23]。该早期模型应用于HIFU组的所有随访检查和标准非肌瘤组,预测分割随后由放射科住院医师或委员会认证的放射科医师手动调整。委员会认证的放射科医师批准了住院医师的所有分割。

用于方法开发时,标准组和HIFU组的数据集被随机分为80%训练病例和20%测试病例,其中单个患者完全纳入训练集或测试集,最终得到169例训练病例和38例留出测试病例(见表2)。

表1 数据集的扫描和图像参数 查看原表 ↗
表2 不同分组中训练集和测试集的数据集数量 查看原表 ↗

模型

对于自动子宫分割,基于3D nnU-Net框架训练了两种不同的深度学习架构,各训练500个epoch,一种采用默认设置,另一种在编码器中加入额外的CBAM [23, 25]。默认的nnU-Net架构根据训练数据集的特征指纹生成,该指纹决定了若干偏好和参数,例如预处理、网络深度和卷积层的内核大小。然而,编码器和解码器的总体架构始终由每个分辨率步骤的两个模块组成,其中一个模块由卷积、实例归一化和泄漏整流线性单元(ReLU)激活组成 [23]。将该默认架构与修改版本进行比较,修改版本中编码器的第二个模块被替换为CBAM [25]。CBAM层返回加权特征图,其中重要信号应被增强,不重要信号应被抑制。原则上,这应改善对相关图像信息及其位置的关注 [15]。CBAM与nnU-Net层结合使用的示意图见图1。

在nnU-Net编码器中使用CBAM仅使可训练参数数量增加0.12%。这仍然允许对两种架构进行相对公平的比较。关于两种所研究架构的更多细节,见附加文件1:S1。

图1 所用架构的示意图:默认nnU-Net配置中的一个层由卷积、随后的实例归一化和泄漏ReLU激活组成(蓝色)。本工作中研究的修改架构在编码器中包含带有额外CBAM的层(黄色),由卷积和实例归一化组成,随后是通道注意力模块和空间注意力模块,各模块通过逐元素相乘连接。第一个卷积模块的输出和CBAM的输出通过逐元素求和合并,并再次由泄漏ReLU激活函数激活 查看原图 ↗

评估

两个模型均采用五折交叉验证进行训练;因此,整个训练数据集被分为五个验证集,并分别在剩余训练数据上训练单个模型,从而对两种所研究方法各得到五个不同的模型。两种架构的性能基于五个验证集的平均性能确定。

与金标准的一致性通过Dice评分和相对体积差来衡量。最终模型在留出测试数据上进行评估,集成交叉验证中五个单独模型的预测结果。读者间一致性针对preHIFU扫描确定。模型性能与该组留出测试样本基于人工读者间一致性进行比较。

为研究该模型是否适用于HIFU治疗后随访,将HIFU前后自动确定的体积差与金标准进行比较。本分析考虑了留出测试数据中HIFU组的所有随访扫描。确定Pearson相关系数,并使用Python软件包seaborn和pyCompare进行Bland–Altman分析 [34, 35]

结果

对于所研究的两种模型架构,在标准组和所有HIFU组中均观察到优异的子宫分割性能。图2展示了一例子宫肌瘤患者在HIFU治疗前、治疗后不久及HIFU治疗后170天的预测子宫分割与真实标签分割示例。图3展示了标准组中三位无子宫肌瘤患者的示例。

两种模型在五个验证集上各自的平均性能非常相似,默认nnU-Net的平均相对体积差异为3.79%,CBAM nnU-Net为3.70%,两种架构的平均Dice评分均为0.95。由于在子宫分割任务中使用CBAM与默认nnU-Net配置相比未带来显著获益,因此选择较简单的默认架构作为最终分割模型,并将其应用于留出测试数据。两种架构的详细比较见附加文件1:S2。

将默认设置的五折交叉验证3D nnU-Net集成模型应用于留出测试数据,得到的平均Dice评分为0.95,平均相对体积差异为4.08%(表3)。

对于preHIFU数据集,两位阅片者的标注数据均可获得(n = 56)。该数据集上委员会认证放射科医师与放射科住院医师之间的阅片者间比较显示,平均Dice评分为0.92,平均相对体积差异为4.03%。阅片者间一致性以及两位阅片者与最终分割模型在preHIFU测试数据上的一致性比较列于表4。将神经网络预测结果与两位阅片者的分割结果进行比较,显示平均Dice评分为0.91及以上,表明神经网络的分割性能与人类表现相似。

使用留出测试中HIFU组的所有随访数据(n = 19),比较了HIFU治疗前后真实标签与自动确定体积差异之间的一致性。观察到强相关性,Pearson相关系数为0.99。Bland–Altman分析显示平均差异为-1.08 cm3(见图4)。

图2 一名接受HIFU治疗患者的子宫分割:治疗前、治疗后一天及治疗后170天。使用默认3D nnU-Net获得的自动分割以黄色显示,经委员会认证放射科医师验证的真实标签分割以绿色显示 查看原图 ↗
图3 默认3D nnU-Net的预测子宫分割(黄色)与经委员会认证放射科医师验证的真实标签分割(绿色),展示标准组中三位无子宫肌瘤的不同患者 查看原图 ↗
表3 报告整个留出测试数据的平均Dice评分和平均相对体积差异,并分别报告preHIFU数据集、HIFU治疗后早期随访(postHIFU_1)和末次随访(postHIFU_Last)以及无肌瘤标准组的结果 查看原表 ↗
表4 委员会认证放射科医师(阅片者1)与接受强化培训的放射科住院医师(阅片者2)之间的阅片者间一致性比较,以及这些阅片者与nnU-Net在留出测试集preHIFU数据(n = 11)上的预测分割之间的各自一致性比较 查看原表 ↗
图4 用于HIFU治疗前后自动测量体积差值与金标准之间一致性分析的散点图(含Pearson相关系数)(a)和Bland–Altman图(b) 查看原图 ↗

讨论

本工作提出了一种基于深度学习的子宫三维分割创新方法,用于在T2加权MRI扫描中自动、准确地测定子宫体积,重点在于适用于接受HIFU治疗的子宫肌瘤患者。为实现这一目标,使用了一个数据集进行方法开发和评估,该数据集包含了HIFU治疗前及治疗后不同时间点的相关检查。为丰富数据集并探讨子宫分割在常规MRI扫描中的适用性,还纳入了来自临床常规的标准检查。该网络在两种极端情况下均表现良好,即无肌瘤的患者以及有多个不同大小症状性肌瘤且为HIFU消融候选者的患者。因此,可以推测(尽管本研究未证实),在较小、无症状肌瘤患者中也能实现高质量的子宫分割。HIFU组的性能略高于标准组。这部分可能归因于无子宫肌瘤患者的绝对子宫体积较小,导致在部分容积效应使子宫组织精确勾画困难的区域Dice评分较低。

在常规临床实践中,子宫和子宫肌瘤的体积已通过磁共振成像进行评估,目前要么使用椭球体体积公式根据前后、头尾和左右方向的直径进行测量[7],要么在每个轴位层面上手动勾画轮廓[10]。因此,准确的体积测定非常耗时,所以测量的自动化非常可取。

本研究比较了两种不同的子宫自动分割方法:默认的3D nnU-Net和在编码器中加入CBAM的改进版本。CBAM的优势已在分类、目标检测和分割任务的多项研究中得到展示[25–28]。尽管CBAM nnU-Net架构在五个验证集上表现出色,但总体上未能超越默认架构,这可能归因于其本已很高的分割性能。尽管如此,进一步研究CBAM与U-Net模型在不同医学分割任务中的组合可能仍有价值,尤其是在标准U-Net性能受限的情况下。

为比较nnU-Net模型与人类读者的性能,由两位标注者独立生成手动分割,并在数据子集上与自动分割进行比较。该比较显示,委员会认证的放射科医师、经过强化培训的住院医师与自动测量之间的一致性水平相似。

先前的研究已经探索了用于子宫分割的深度学习方法,其中大多数所提出的方法也基于U-Net架构[29–31]。在其中一项同样基于MRI的研究中,提出了一种仅需极少用户交互即可分割孕妇子宫腔和胎盘的3D U-Net模型,并在正常孕妇和疑似胎盘异常孕妇中进行了评估。两组子宫腔分割的平均Dice评分分别达到92%和88%[29]。

对于超声图像,也有研究提出了使用改进的2D U-Net架构进行子宫分割的自动化方法[30]。该研究未专门纳入子宫肌瘤患者,尽管在不同2D平面上训练了多个模型,但总体报告的Dice评分较低。作者将此归因于靠近子宫边缘的切片问题,展示了2D方法的局限性。在一定程度上,较低的分割性能也可能由可用图像数据的质量来解释,而这本质上取决于检查者的超声经验。

另一种同样基于MRI的方法使用DenseUNet在矢状面切片上分割子宫[31]。该工作在预处理步骤中提出了锐化子宫边缘,并将其作为网络的额外输入,从而获得87.6%的平均Dice评分。这种2D方法同样不是在子宫肌瘤患者中开发的。

相比之下,Zhang等提出了HIFUNet,这是一种带有预训练ResNet101[36]编码器的编码器-解码器网络,用于在2D矢状面MRI切片上分割子宫、子宫肌瘤和脊柱。该研究仅纳入术前患者,并用于HIFU治疗计划。据报道,对于肌瘤较多的患者,边缘处的精确分割较为困难,导致子宫分割的Dice评分为82.37%。作者认为直接3D分割可能带来更高的分割性能[32]。由于该研究未纳入HIFU术后图像数据,因此缺乏关于该方法能否用于准确评估HIFU消融后随时间推移的治疗相关体积变化的信息。然而,HIFUNet的一个明显优势是同时分割单个子宫肌瘤,而目前本研究尚未涉及这一点。另一项工作还考虑了在MRI融合超声后,使用分裂-合并与多种子区域生长方法相结合的方式直接进行子宫肌瘤区域检测[37]。这些研究允许直接分割单个肌瘤,从而能够即时评估单个肌瘤的治疗反应。

需要指出的是,精确的轮廓,尤其是小肌瘤的轮廓,通常难以与邻近子宫组织区分,即使对人类读者也是如此。这也可能导致与子宫分割相比,单个肌瘤分割的准确性较低[32, 37]。从临床角度来看,整个子宫的分割可能已经是治疗反应评估的相关指标。例如,当治疗多个肌瘤时,肌瘤相关症状的改善可能主要与整体子宫体积的缩小有关。因此,在干预后过程中,由于子宫总体尺寸的减小,子宫在盆腔区域的位置可能有所不同,即不再压迫膀胱或输卵管。我们的方法所提供的整个子宫分割是一种快速、准确且可重复的方法,可应用于MRI图像数据,即使在干预后过程中也是如此,甚至无需了解所治疗肌瘤的数量和确切位置。在许多情况下,后者仅为治疗医师所知。尽管如此,所提出的方法也可作为单个肌瘤靶向分割的输入,以评估治疗反应。

我们的研究存在若干局限性。首先,部分标注数据集是半手动生成的,其中使用在数据子集上训练的网络进行深度学习辅助标注。然而,所有用作金标准的数据最终均由经委员会认证的放射科医师验证。此外,深度学习模型专门针对轴向T2加权涡轮自旋回波序列进行训练,并对空间分辨率有明确规范。该研究仅在一个中心的单台MRI扫描仪上进行。因此,泛化性应在多中心环境中进一步评估。该算法的使用将在合理请求下开放用于合作研究。

结论

本研究提供了一种对伴有和不伴有子宫肌瘤的患者进行子宫自动分割的方法,其性能与人类读者相似,能够在HIFU治疗的临床环境中实现快速、简便且可重复的体积变化评估。

补充信息

附加文件1。S1. 方法开发详情。S2. 两种架构的比较。

引用

  1. Theis, Tonguc, Savchenko, et al. Deep learning enables automated MRI-based estimation of uterine volume also in patients with uterine fibroids undergoing high-intensity focused ultrasound therapy. Insights Imaging. 2023. PMID: 36600120. doi:10.1186/s13244-022-01342-0
  2. 全文:PMC9813298(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9813298/

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。