基于深度學習分割前列腺多參數MRI圖像中的骨質結構

劉想，韓超，張耀峰，張大斗，張曉東，王霄英*

1.北京大學第一醫院醫學影像科，北京 100034；2.北京賽邁特銳醫學科技有限公司，北京 100011；*通信作者 王霄英wangxiaoying@bjmu.edu.cn

前列腺癌是老年男性常見腫瘤之一[1]。由于我國前列腺癌篩查和早期診斷尚未普及，大約50%的患者初診時已發生骨轉移[2-4]。前列腺癌骨轉移好發于骨盆、脊柱和股骨[5]。骨轉移會引起病理性骨折及脊髓壓迫等不良骨性事件，及時準確地檢出前列腺癌骨轉移病灶對于減少骨并發癥的發生具有重要意義。

多參數磁共振成像（multiparametric MRI，mpMRI）對骨轉移的診斷有較高的敏感度和特異度，能準確顯示轉移灶及周圍軟組織受侵犯情況。前列腺癌轉移報告和數據系統（METastasis Reporting and Data System for Prostate cancer，MET-RADS-P）推薦將擴散加權成像（DWI）+表觀擴散系數（ADC）用于評估骨轉移[6-9]。

本研究擬訓練3D U-Net模型，自動分割前列腺mpMRI中DWI和ADC圖像中的骨質結構，并找出分割性能最佳的輸入序列組合，以期為后續骨轉移病灶的自動檢出提供定位信息。

1 資料與方法

本研究獲得本院倫理審查委員會的批準（批件號：〔2017（1382）〕），按照本單位人工智能（artificial intelligence，AI）模型訓練規范執行研究方案。

1.1 研究數據 從本院PACS系統回顧性收集2019年1月—2020年1月181例前列腺癌患者的盆腔mpMRI圖像。病例納入和排除標準見圖1，最終105例患者用于模型的訓練。盆腔mpMRI掃描設備采用3.0T GE（Discovery HD 750），DWI采集參數：b=0、800 s/mm2；TR 3 000 ms，TE 60 ms，層數25，層厚4 mm；ADC圖像由設備工作站處理生成。

圖1 病例納入流程

1.2 數據標注 將DWI相關序列[DWI低（b=0 s/mm2）、DWI高（b=800 s/mm2）、ADC]的DICOM格式圖像轉換為Nifty格式。由1名低年資放射科醫師（閱片經驗2年）在ITK-SNAP 3.6.0上標注3個序列的圖像，手工調整窗寬、窗位。標注的骨質結構包括腰椎、骶尾骨、雙側髂骨、雙側髖臼、雙側恥骨、雙側坐骨、雙側股骨頭、雙側股骨頸。由1名放射科專家（閱片經驗≥15年）對標注進行修改確認。

1.3 訓練分割模型 圖像預處理參數：大小=64×160×240（z、y、x軸），自動窗寬、窗位。本研究的3D U-Net輸入為1～6種序列組合，分別為DWI低+DWI高+ADC、DWI低+DWI高、DWI高+ADC、DWI低+ADC、DWI高、ADC組合，其中每一個圖像序列設為一個單獨的輸入通道。在6個模型中所有的數據均按照8∶1∶1隨機分為訓練集83例、調優集11例和測試集11例。模型訓練使用的硬件為GPU NVIDIA Tesla P100 16G，軟件為Python3.6、Pytorch 0.4.1、Opencv、Numpy、SimpleITK等，Adam為訓練優化器，批量大小=1，學習率=0.000 1，學習周期=300。

1.4 模型評價

1.4.1 定量指標 使用DICE系數評估U-Net的分割性能，計算公式：DICE(A,B)=2|A∩B|/|A|+|B|，其中A是手工標注的體素數，B是模型預測的體素數。首先計算每個骨質區域的DICE值，再計算全部8個標簽的平均DICE值。計算不同模型預測所得各骨質區域的體積值（圖2），并與人工標注比較。

圖2 最小體積包圍盒算法。用最小體積包圍盒算法測量骶骨體積。A～C分別為手工標注骶骨左側面、正面和右側面，其余骨質結構體積測量方法與骶骨相同

1.4.2 定性指標 主觀評分關注模型預測區域是否滿足臨床需求，在標簽層面、序列層面、模型層面分別評價。由另一位高年資放射科醫師（15年以上閱片經驗）對比模型預測結果和人工標注結果對模型的分割性能打分。

模型分割情況見圖3。根據不同的分割情況，對模型的分割效能打分（表1），單個標簽的評分為0～10分。序列層面的評分為該序列中所有標簽的平均值，以>6分為達標（無相應標簽時則不計算該標簽）。模型層面的評價標準為計算測試集中全部序列的達標率，>80%為符合臨床應用需求。

表1 模型預測結果的主觀評分標準（標簽層面）

圖3 模型分割可能情況。A～C為情況Ⅰ，模型預測標簽與人工標注標簽定位一致，且模型預測范圍大于（A）或小于（B）人工標注范圍，或與人工標注范圍部分重合（C）；D～H為情況Ⅱ，模型預測標簽與人工標注標簽定位不一致，包括人工標注標簽未被預測（D），模型預測為未被標注的非骨質結構（E），錯誤的模型預測標簽與人工標注標簽部分重合（F），或大于（G）或小于（H）人工標注范圍。白色標簽為人工標注標簽，有顏色的標簽為模型預測標簽

1.5 統計學方法 應用SPSS 23.0軟件，不同數據集的年齡以±s表示，并應用方差分析比較訓練集、調優集和測試集之間的年齡差異，3組間前列腺特異抗原水平和6個模型間的DICE值、模型預測與人工標注體積值的差異以M（Qr）表示，采用Kruskal-WallisH檢驗進行比較。不同模型達標率比較采用χ2檢驗（Fisher確切概率法）。P<0.05為差異有統計學意義。

2 結果

2.1 患者基線數據 訓練集、調優集和測試集各組患者年齡分別為（69±8）歲、（70±6）歲、（66±7）歲，差異無統計學意義（F=0.961，P>0.05）；前列腺特異抗原水平分別為11.83（2.66～15.6）ng/ml、7.69（4.18～17.01）ng/ml和12.41（6.18～30.07）ng/ml，差異無統計學意義（H=2.226，P>0.05）。

2.2 模型定量評估

2.2.1 DICE值 測試集中各模型的DICE值均在0.7以上，且各模型預測結果的平均DICE值差異無統計學意義（HDWI高=2.978，PDWI高>0.05；HADC=1.140，PADC>0.05）。DWI高和ADC圖像上的髂骨、骶尾骨、股骨頭、股骨頸的平均DICE值均大于其他骨質（P<0.001），見表2。圖4為模型1中DICE值為0.85的DWI高模型預測與人工標注重合圖。

圖4 DWI圖像上各骨質結構分割結果。白色標簽為人工標注標簽，有顏色的標簽為模型預測標簽。A.腰椎、髂骨重合圖；B.髖臼、股骨頸重合圖；C.股骨頸、坐骨、恥骨重合圖。各骨質結構的DICE值均在0.8以上

表2 不同模型預測各標簽的DICE 值[M(Qr)]

2.2.2 體積差值 計算測試集中不同模型預測標簽體積與人工標注體積差值百分比V差值=（|模型預測體積值－人工標注體積值|/標簽人工標注平均體積值）×100%，模型1的體積預測值與人工標注值差異最小，但各模型間體積差值差異無統計學意義（HDWI高=2.900，PDWI高>0.05；HADC=2.236，PADC>0.05），見表3。

表3 不同模型預測各標簽體積與人工標注體積差[M(Qr)]

2.3 模型定性評估 模型1在DWI高和ADC的圖像分割中達標率均最高（82%，91%），且顯著高于單序列模型（DWI高：模型1比模型5，P=0.040；ADC：模型1比模型6，P=0.012）。模型1和模型3的達標率均>80%，且在DWI高和ADC的圖像分割中差異均無統計學意義（DWI高：模型1比模型3，P>0.05；ADC：模型1比模型3，P>0.05），均符合臨床應用需求，見表4。

表4 模型層面主觀評分結果

3 討論

mpMRI廣泛應用于診斷前列腺癌，其中DWI不僅可用于檢出腺體內腫瘤，也常用于檢出盆腔淋巴結和骨轉移病灶[10-12]，可進一步用于評價全身腫瘤負荷和療效[6]。基于DWI影像表現既可以對轉移病灶進行定性診斷，也可在ADC圖上進行定量測量，ADC值的大小可以直接影響前列腺癌患者的RAC分類[13-14]。本研究中訓練了3D U-Net模型分割盆腔DWI和ADC圖像上的正常骨質結構，并比較不同輸入序列的組合對分割性能的影響，以期找出最佳MR序列組合用于盆腔骨質的分割，為后續檢出骨轉移病灶打下基礎。

本研究結果發現，不同模型分割性能的定量指標（DICE值、體積差值）均無顯著差異，但在主觀評價時可見不同模型的分割效果有一定差異，模型1達標率最高，模型3也顯示出較好的性能，與模型1相比無顯著差異，均符合臨床應用需求。為了兼顧效率和準確性，本研究推薦使用模型3的雙序列（DWI高+ADC）為3D U-Net分割盆腔骨質結構的最佳組合序列。

本研究使用主觀評價和客觀評價確定模型的臨床應用價值。通常客觀評價指標在不同技術研究之間具有橫向可比性，但在面對臨床研究提出的不同臨床問題時，針對性的主觀評價則更為重要，這也是本領域基礎研究和臨床研究的重要不同之處。以本研究中對骨質分割的評價為例，因不同骨質區域分別命名為不同的標簽，屬于語義分割的范疇，因此客觀評價指標使用單標簽的DICE值、預測標簽與人工標簽的體積差以及連通域比較等。但鑒于髂骨與髖臼，髖臼與恥骨、坐骨，股骨頭與股骨頸之間無明確的分界標志，對于放射科醫師及臨床醫師而言，這些區域模型分割出來即可達標，與相鄰區域的定位偏差可以接受，不影響這些區域骨轉移瘤的檢出，因此主觀評價結果與臨床應用價值的一致性更強。

對于較復雜的臨床任務，將其解析為不同的模型訓練任務，每個步驟均可觀察到模型輸出結果，既能提高模型的可解釋性，又能節省訓練資源，是臨床醫師參與模型訓練路徑設計的價值所在。本研究采用深度學習方法檢出前列腺癌骨轉移的序貫任務之一，即先完成骨盆區域的骨質定位，后續研究中在這些區域再檢出骨轉移瘤病灶，從而實現對前列腺癌骨轉移的自動分割。將來進一步可將相關前列腺mpMRI模型整合在一起，包括前列腺體積分割、前列腺癌檢測、前列腺癌周圍侵犯、前列腺癌淋巴結轉移等模型[15]，在模型準確率較高時，可以自動生成結構化報告，提高臨床診斷的準確性和效率[16]。

本研究的局限性：①本研究所收集的盆腔DWI圖像雖然掃描層數一致，但掃描范圍不一致，部分患者缺少含有恥骨結構的層面，且恥骨本身所占圖像的體素小，導致模型所能學習到的有效的恥骨體素量少，從而使得模型對其分割難度較大，DICE值較低。②本研究不同骨質的結構是基于影像專家的臨床經驗及解剖知識進行標注，髂骨、腰椎標注的一致性很強，但是股骨頭與股骨頸的分界、髖臼與髂骨的分界、坐骨與恥骨的分界則有一定的主觀偏差。③本研究收集的數據均來自同一類型設備，未比較不同類型設備生成的圖像對于各模型分割性能的影響，將來應獲取更多不同來源的數據進行訓練，以提高模型的適用性。

總之，多個序列的輸入對于3D U-Net網絡進行盆腔范圍內骨質結構的分割性能有顯著提升，DWI高+ADC可作為前列腺mpMRI檢查盆腔骨質結構分割的最佳組合序列。