联合人工智能与最优表面图割法自动提取支气管参数的可重复性
本研究评估了一种结合深度学习与最优表面图割法在低剂量胸部CT上自动分割支气管管腔和管壁并计算支气管参数的可重复性。对188名参与者间隔约3个月两次扫描的分析显示,该方法在6级支气管以内具有中至良好的可重复性,Pi10和WAP的变异较小。
要点
- 自动Pipeline在低剂量CT上可可靠测量至第6级支气管参数。
- Pi10和WAP的可重复性优于LA,报告时优先参考。
- 第7级及以上支气管可重复性明显下降,结果解释需谨慎。
关键影像表现/征象
- 分割的气道树平均达10级、250个分支。
- 自动化流程在99%(374/376)的扫描中成功测量。
诊断标准与关键数值
- LA的R²从气管处0.93降至第6级0.68,第8级降至0.51。
- WAP的R²从气管处0.86降至第6级0.67,第8级降至0.42。
- Pi10的R²为0.69,LoA为±0.14 mm(±3.7%均值),平均差异0.00 mm。
- WAP的LoA%在±5.9%至9.3%之间;LA的LoA%在第2-6级为±16.4-22.8%,第7-8级增至±28.9-36.3%。
- R²>0.7为良好,0.5-0.7为中等,<0.5为差。
临床应用与阅片要点
- 可自动获取LA、WAP、Pi10等参数,减少人工测量工作量。
- 报告支气管参数时,第6级以内数据较可靠,第7级以上谨慎解读。
- Pi10和WAP作为汇总指标变异较小,适合用于纵向比较。
局限性
- 队列为一般人群,缺乏严重气道疾病患者。
- 假设两次扫描间支气管参数无短期变化,但疾病或吸烟可能增加变异。
- 未进行解剖性气道标记,无法直接比较特定分支的重复测量。
- Bronchinet不保证气道分割完全连通,部分外周分支可能被丢弃。
全文中译12 节 · 点击展开
引言
支气管参数在慢性阻塞性肺疾病(COPD)等肺部疾病特征描述中的应用正日益受到研究[1]。开发稳健的支气管参数的潜在益处在于肺部疾病的早期检测。例如,使用计算机断层扫描(CT)进行肺癌筛查可能提供评估“非靶向”器官系统(如心脏、支气管和血管系统)的机会[2]。虽然支气管参数可用于肺部疾病的评估,但其使用受到(手动)测量所需工时数的限制。筛查CT扫描的低剂量使这一步骤进一步复杂化,这可能导致图像质量较差、噪声更多。因此,开发可靠的CT支气管参数自动测量方法是必要的一步。
为计算支气管参数,大多数方法需要从胸部CT扫描中分割并测量气道管腔和管壁。由于气道树的复杂结构和大多数分支的细小尺寸,气道管腔的分割具有挑战性。近年来,用于气道管腔自动分割的深度学习方法已取得成功[3–7]。较小分支中气道管壁的分割要求更高,因为其厚度小且管壁、管腔和周围肺实质之间的对比度低。管壁厚度可能低于扫描仪分辨率,因此缺乏较大气道中所具有的明显对比。气道管壁分割受到的关注较少;目前,尚无无需初始种子放置或管腔分割即可直接从CT扫描中获得管壁分割的自动方法[8]。取而代之的是,气道管壁可作为额外的精化步骤获得,例如使用半高全宽法[9]、相位一致性[10]或最优表面图割方法[11]。
为在低剂量胸部CT扫描上评估呼吸系统疾病的早期生物标志物,我们构建了一个用于分割和量化气道管腔和管壁的自动化流程。我们通过结合两种经过验证的开源方法(分别用于获得气道管腔和管壁分割)来实现这一目标。虽然先前的研究已在管腔分割上评估了人工智能(AI),但我们未能找到在完全自动化方式下同时测量气道管壁时评估其可重复性的研究。此外,这是首次将这些3D-Unet和3D最优表面图割方法相结合用于全自动支气管参数评估。我们的目标是量化该流程在低剂量胸部CT上的可重复性。随后,我们计算了支气管参数测量值。我们针对低剂量胸部CT扫描方案对该流程进行了调优,并使用短期重复扫描研究了其可重复性。
方法
CT扫描
本研究的扫描图像来自Imaging in Lifelines(ImaLife)研究,该研究已获得当地医学伦理委员会批准,并在荷兰涉及人类受试者研究中央委员会注册(https://www.toetsingonline.nl;标识符:NL58592.042.16)。
所有扫描均使用第三代双源CT(Somatom Force,Siemens Healthineers)获得。成像时参与者取仰卧位,并指导其在最大吸气末屏气。ImaLife肺部成像扫描方案如下:120 kVp,20 mAs,螺距3.0(体型较大者为2.5),层厚/层间距1/0.7 mm,剂量长度乘积(DLP)< 100 mGycm。图像采用定量锐利重建核(Qr59)进行重建[12]。
管腔分割
我们使用基于3D U-Net模型的深度学习气道分割方法(Bronchinet)[3],从CT扫描中自动获得气道管腔分割。在训练方面,我们使用24例ImaLife扫描的数据集从头训练Bronchinet,参考标准气道分割由先前报道的方法生成[13]。在完整数据集中,我们使用22例扫描进行训练(即优化模型权重),其余2例扫描用于验证(即早期停止和模型收敛)。Bronchinet方法在先前一篇使用类似规模训练集的论文中经过验证,显示出良好性能[3]。我们使用六折交叉验证评估模型性能。
管壁分割
采用最优表面图割方法(Opfront)[11, 14]对Bronchinet气道管腔分割进行细化并获得管壁分割。Opfront的性能通过若干参数进行调优,这些参数取决于扫描分辨率和协议。我们使用按ImaLife协议扫描的COPDGene体模优化Opfront参数[15]。优化的参数为内、外导数,平滑惩罚/约束,以及表面分离惩罚。之所以重点关注这些参数,是因为它们对最终管腔和管壁分割的影响最大。对于所有其他参数,我们使用Petersen(2015)[11]中建议的值。测量体模管Opfront分割的管腔直径和总直径,并与已知尺寸进行比较。为自动搜索最优参数值,我们使用树结构Parzen估计器算法[16],当体模测量值与已知尺寸之间的测量误差较大时,该算法会修改参数[11]。一旦体模测量值接近已知尺寸,即认为Opfront已完成优化。
分支测量
从Bronchinet获得的气道管腔分割中,丢弃不连通的组件。采用EXACT’09挑战赛中描述的前沿传播方法提取各分支[17, 18]。分支代数根据Weibel气道模型确定,该模型定义每个分叉点处为一个新代数[19]。对所有分支计算气道管腔半径和管壁半径的测量值,沿分支中心线以0.5 mm的规则间隔测量并取平均值。长度小于2 mm的终末分支被自动丢弃。
自动化流程
我们将Bronchinet和Opfront方法组合在一个自动化流程中,直接从输入CT扫描获得管壁分割和支气管参数测量。为此,我们构建了一个Docker镜像[20]来连接这两个工具并管理软件依赖。这允许将该流程部署在任何至少具有16 GB RAM和至少8 GB显存的CUDA兼容显卡的计算系统中。
可重复性研究
共纳入188名ImaLife参与者,平均间隔3个月进行两次扫描。这些参与者均未纳入Bronchinet模型训练。关于ImaLife研究的更多信息,请参见既往发表文献[12, 21]。若首次扫描发现中间型结节(100–300 mm3),参与者被邀请出于科学目的进行短期重复扫描。所有扫描均由所提出的流程自动处理。吸气水平基于总肺容积(TLV)进行量化,TLV由自动肺分割得出[22]。若首次与第二次扫描间TLV差异大于15%,即定义为吸气差异的参与者,被排除出分析[23]。支气管参数由气道分支管腔和壁半径自动计算,即管腔面积(LA)、壁面积百分比(WAP),以及在内周长10 mm的假设气道处壁面积的平方根(SRWA)(Pi10)。Pi10通过SRWA与气道分支内周长的线性回归计算,排除气管,并包括至第6级及以内的分支(图S1)[24]。
统计分析
为衡量该流程的再现性,通过比较第一次和第二次CT扫描,按气道分级计算支气管参数的决定系数(R2)。R2 > 0.7视为良好,0.7–0.5为中等,< 0.5为差[25]。进行Bland–Altman分析以计算每个分级各支气管参数的一致性限度(LoA)。统计分析使用Python包statsmodels(v 0.13.5)[26]。
结果
Bronchinet与Opfront性能
在Bronchinet对24例ImaLife扫描的交叉验证评估中,所获得气道管腔分割的Dice重叠系数中位数为0.92(四分位距(IQR),0.83–0.93),中心线完整性中位数为85.2%(IQR 78.8–89.4%),中心线泄漏(指示预测的假阳性中心线)中位数为7.1%(IQR,3.5–10.8%)。由于气管和主支气管的体积在这些数值中占主导地位,将其排除以聚焦下游分割性能。
对COPDGene体模的优化Opfront分割达到了亚体素精度。管腔直径的估计平均无符号误差为3.1%(0.13 ± 0.07 mm),总直径的平均无符号误差为5.8%(0.35 ± 0.20 mm)(表1)。气道分割为完全三维,提取的气道平均达到第10级(图1)。每次扫描的总执行时间为28 ± 4分钟。
再现性研究
在376次扫描中,374次(99%)成功完成了分割和测量。188名参与者中有20名因第一次和第二次扫描之间TLV差异>15%而被排除。最终组包括98名男性和70名女性参与者,在3个月内(98±14天)进行了重复扫描。平均年龄为59.6±9.4岁,体重指数(BMI)为26.5±3.8。在纳入的168名参与者中,40名从不吸烟,76名吸烟,39名被诊断为COPD,13名参与者的COPD疾病状态缺失(表2)。吸烟者的平均包年史为14.7±8.1年。平均CT测量值为:TLV 5.52±1.28 L,总气道计数(TAC)250±54,第3代LA为42.0±2.3%,第3代WAP为56.4±3.4%,Pi10为3.92±0.12。
LA的决定系数(R2)从气管处的0.93到第6代的0.68,降至第8代的0.51。WAP的相应值分别为0.86、0.67和0.42(图2A)。
对于Pi10,R2为0.69(图2B),LoA为±0.14 mm(均值的±3.7%),平均差异(MD)为0.00 mm(图2C)。对于LA,MD±LoA从气管处的−0.1±37 mm2到第6代的−0.1±3.7 mm2,降至第8代的−0.15±6.6 mm2(表3)。对于WAP,MD±LoA从气管处的0.05±1.4%到第6代的0.14±4%,降至第8代的0.25±5.4%。以均值百分比表示的LoA(LoA%)对于WAP在±5.9%至9.3%之间。LA的LoA%在第0-1代为±7.4-6.8%,在第2至第6代扩大至±16.4-22.8%,在第7至第8代进一步增加至±28.9-36.3%(表3)。
讨论
在本研究中,我们构建了一个用于低剂量胸部CT扫描的自动化流程,通过结合两种开源方法获得气道管腔和管壁的分割。所得分割产生了自动定量支气管参数。重复扫描显示,低至第6代的支气管参数具有中等至良好的可重复性(R2>0.6)。Bland-Altman分析显示Pi10和WAP无系统性偏差且一致性界限较窄,而LA的一致性界限较宽,表明Pi10和WAP等汇总参数与直接测量LA相比变异性更低。
低剂量CT扫描用于肺癌筛查,为筛查其他早期疾病(如COPD、支气管扩张和心脏病)提供了机会,这些疾病可能影响肺癌风险和/或预后。自动化支气管参数测量能够在合理的时间范围内以良好的可靠性实现大规模队列的筛查。此外,全3D分割可直接用于虚拟支气管镜或手术规划等临床任务。然而,对于支气管参数而言,很难确定气道是正常还是异常。支气管参数研究中从不吸烟者的数量通常非常少[27]。结合异质的支气管参数方法学,目前尚不清楚在低剂量CT上如何定量定义“正常”气道以及依据哪种支气管参数。本研究表明,LA的测量变异性大于Pi10或WAP。虽然这在一定程度上可能涉及方法学导致的变异性或误差,但季节变化、吸烟或扫描前患病等额外因素也可能导致真实差异。Pi10对许多分支取平均值,而WAP在计算中纳入壁厚度,因此可能比LA更能抵抗测量的局部变异。我们的流程在相似数据集上提供的LA和WAP可重复性与先前方法相似[11],但它还提供了更好的Pi10可重复性[28]。此外,它利用低剂量高噪声扫描提供全自动支气管参数测量。
多种方法可作为管腔分割的初始步骤。我们使用Bronchinet,因其具有最先进的性能[3]、速度和开源可用性,使得能够在本研究的低剂量扫描上重新训练。先前已提出使用在手动勾画边界上训练的工具以及FWHM、基于强度和相位一致性等较旧算法来实现全自动支气管参数计算[29, 30]。然而,先前的研究表明,手动和FWHM测量会高估气道壁[31],这在用于测量COPDGene体模时也很明显(表S2)。与这些方法相比,我们方法的优势在于Opfront在具有精确物理测量的体模上进行了优化,消除了上述方法带来的壁测量偏差。该流程的输出是可直接使用的气道3D模型,在虚拟支气管镜、气流模拟和3D打印等任务中具有潜在应用。将流程部署在docker镜像中使该方法可直接使用并可在临床实践中实施。对于管腔分割,使用Bronchinet[3]附带的公开可用训练模型即可轻松获得良好结果,该模型使用丹麦肺癌筛查试验[32]的气道分割数据结合Erasmus-MC Sophia(囊性纤维化)数据集[33]进行训练。ImaLife扫描方案具有较低的辐射剂量,总DLP < 100 mGycm,且扫描中噪声更多;重新训练工具后获得了更好的性能[13]。为了在不同数据集上获得最大性能,可能需要针对目标CT方案优化流程。这是通过使用高效生成的真值重新训练Bronchinet,并使用物理体模调优Opfront来实现的。
本研究的一个局限性是队列中缺乏重度气道疾病,因为ImaLife研究包含的是普通人群。在临床环境中采用之前,对重症病例的评估很重要,而临床环境中的扫描方案也可能发生变化。在分析中,我们假设两次扫描之间支气管参数不存在短期差异。然而,扫描前的疾病或吸烟等因素可能对支气管参数结果产生影响。这往往会增加扫描之间的变异性,这可能意味着实际的扫描-再扫描重复性可能优于我们目前报告的结果。所使用的方法未进行解剖学气道标记,因此我们无法直接比较特定支气管分支的重复测量值。相反,我们聚焦于参与者的每代平均值。最后,Bronchinet不保证完全连通的气道分割,一些外周分支可能在测量过程中被丢弃。对于管腔闭塞的病例,这可能导致阻塞远端的分割气道被排除。
总之,我们展示了一套全面且全自动的流程,使用开源工具在低剂量CT上进行支气管参数测量。基于短期重复CT扫描的结果,该流程可提供低至第6代的可靠支气管参数。总体而言,这些方法在初始投入深度学习和最优表面图割方法的训练与优化之后,使得在大型低剂量CT数据集中探索支气管参数成为可能。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 180 KB)
引用
- Dudurych, Garcia-Uceda, Petersen, et al. Reproducibility of a combined artificial intelligence and optimal-surface graph-cut method to automate bronchial parameter extraction. Eur Radiol. 2023. PMID: 37071168. doi:10.1007/s00330-023-09615-y
- 全文:PMC10511366(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10511366/
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。