基于深度學習和閾值分割方法對乳腺MRI中背景實質強化自動分類的研究

馬明明，張耀峰，王祥鵬，張曉東，秦乃姍，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

女性乳腺癌現已超過肺癌成為2020年全球發病率最高的癌癥，每年估計有230萬例新增病例，占所有癌癥病例的11.7%［1］。磁共振成像（magnetic resonance imaging，MRI）可用于乳腺癌高危患者的診斷、術前分期、化療效果監測、乳腺假體植入物評估等［2］。乳腺MRI背景實質強化（background parenchymal enhancement，BPE）是乳腺動態對比增強MRI（dynamic contrast enhanced MRI，DCE-MRI）時正常乳腺纖維腺體組織（fibroglandular tissue，FGT）的強化區域，BPE水平與乳腺癌的發生密切相關［3］，也可用于新輔助化療治療效果的預測［4］。為了實現BPE的標準化定量，在臨床工作中放射科醫師根據乳腺影像報告和數據系統（Breast Imaging Reporting and Data System，BIRADS）對BPE進行分類［5］，將BPE分為極小、輕度、中度、顯著4類。BPE的主觀視覺評估容易出現觀察者之間和觀察者內的差異，因此需要更客觀、簡便的方法來評估BPE。

目前，深度學習技術已應用于乳腺MRI中FGT的分割［6］和強化體積的計算［7］，但關于BPE分類的研究很少。北京大學第一醫院已經完成了基于U-Net深度學習模型對乳腺DCE-MRI圖像中乳房和乳腺癌強化病灶的自動分割［8］，本研究進一步探討基于深度學習和閾值分割方法對BPE進行自動分類的可行性，并將BPE分類結果自動接入到結構化報告系統中，未來擬自動完成BPE的客觀定量，并將BPE定量應用于乳腺癌化療效果預測的研究。

1 資料和方法

1.1 研究對象

收集2010年1月1日—2018年10月30日于北京大學第一醫院接受乳腺DCE-MRI檢查的患者的影像學資料，共納入547例患者，患者均為女性，年齡22～82歲，平均年齡（52.3±11.6）歲。納入標準：① 所有患者均使用相同的標準MRI掃描方案，圖像質量合格；② 乳腺腫瘤標本（活檢或手術）病理學檢查結果為惡性；③ 患者未接受任何治療（包括手術、化療、放療等）。排除標準：① 假體植入術后；② 乳腺內極少FGT（幾乎全是脂肪）；③ 雙側乳腺癌患者。由2名高年資放射科醫師（A和B）共同讀片，根據第5版BI-RADS對健側BPE進行4分類并作為金標準。BPE分類標準如下［9］：① 極小，＜25%FGT的強化；② 輕度，25%～50%FGT的強化；③ 中度，50%～75%FGT的強化；④ 顯著，＞75%FGT的強化。

本研究經過醫院倫理審查委員會的批準，研究工作按照北京大學第一醫院人工智能（artificial intelligence，AI）模型訓練規范進行。

1.2 用例定義

根據北京大學第一醫院AI訓練管理方法，首先定義研發乳腺MRI圖像上BPE分類模型的用例。包括模型的ID、臨床問題、場景描述、模型在臨床工作中的調用流程、模型輸入及輸出數據結構等。AI模型返回結果為BPE分類“極小、輕度、中度、顯著”。BPE分類模型預測結果返回到結構化報告中的“背景強化”模塊（圖1）。

圖1 本研究簡要流程圖

1.3 圖像采集

采用美國GE公司的Signa Excite HD 1.5 T MRI掃描儀，使用4通道雙穴乳腺線圈行乳腺MRI檢查。掃描序列包括軸位T1加權成像（T1-weighted imaging，T1WI）、壓脂T2加權成像（T2-weighted imaging，T2WI）、彌散加權成像（diffusion-weighted imaging，DWI）及DCE。其中DCE的參數如下：重復時間（repetition time，TR）為3.9 ms，回波時間（echo time，TE）為1.7 ms，層厚1.4 mm，層間距0 mm，視野36 cm×36 cm，矩陣320×320。靜脈注射釓對比劑0.2 mmol/kg，注射速率2 mL/s，隨后使用20 mL生理鹽水沖管。注射同時開始掃描，每個時相掃描時間為55 s，共掃描9個時相。

1.4 數據處理和圖像分割

將DICOM圖像轉換為NiFTI格式。由1名高年資放射科醫師使用ITK-SNAP軟件標注100個數據的FGT區域，訓練分割模型。以本單位既往訓練好的U-Net 3D模型分割乳房作為掩膜（mask）［11］，進一步訓練FGT分割模型。使用547個數據進行外部驗證，分別為262個左側FGT和285個右側FGT（圖2）。以DCE-MRI第一期圖像為基線，使用上述模型分割得到基線FGT的體積。

圖2 訓練乳腺FGT U-Net 3D分割模型的流程及主要參數

1.5 BPE分類模型計算

以增強掃描第三期圖像和基線圖像做減影，得到DCE-sub圖像。在DCE-sub圖像上對547個數據的BPE進行閾值分割，取全圖中信號強度＞50%區域為BPE（圖3）。最后計算BPE體積與基線FGT體積的比值，公式：BPE比值=BPE體積/基線FGT體積×100%。根據BPE比值分為4類：極?。ǎ?5%）；輕度（25%～50%）；中度（50%～75%）；顯著（＞75%）。

圖3 典型病例1～4（4類BPE強化類型的乳腺癌）MRI圖像、FGT和BPE標簽

1.6 模型效能評價

對乳腺FGT分割效果的評價指標為Dice相似性系數（Dice similarity coefficient，DSC）。對乳腺BPE分類結果的評價使用多分類混淆矩陣，計算其準確度、F1評分和Kappa值。

2 結 果

2.1 FGT分割模型的效果評價

FGT分割模型的平均DSC為0.902，模型預測FGT區域與高年資醫師標注區域一致性高。

2.2 BPE分類模型的定量計算

BPE分類的混淆矩陣和診斷效能見表1、2。

表1 BPE分類混淆矩陣

表2 BPE分類的診斷效能

3 討 論

乳腺MRI增強檢查已被廣泛應用于乳腺癌診斷、化療效果評估，其不僅提供了腫瘤的形態學信息，還可提供定量的功能信息。BPE是乳腺癌風險和新輔助化療（neoadjuvant chemotherapy，NAC）效果評估的主要參數之一［3-4］。本研究使用U-Net 3D分割模型對乳腺MRI中基線FGT區域進行分割，并利用閾值分割技術得到增強后圖像中BPE區域，通過計算二者的體積之比來定量評估BPE的4分類。既往Ha等［10］已經提出關于使用全卷積神經網絡（convolutional neural network，CNN）方法量化乳腺MRI中FGT和BPE，但是BPE采用了手動標注的方法，標注工作量大，且測試集中FGT和BPE的準確度分別為0.813和0.829。本研究與前人比較，相同之處是也使用了深度學習方法。不同之處有兩點：第一，本研究中BPE為程序自動分割，操作簡便，并且結果優于前人，FGT分割的DSC值達0.902，BPE分類準確度達0.95；第二，本研究的結果可自動分類接入到結構化報告中，對醫學影像工作流程優化有益。

本研究提出的BPE自動分類方法整體準確度較高，但是從混淆矩陣中可以看出BPE的4種類型的數據不均衡，這是由本組數據的性質決定的。本組數據BPE自動分類結果提示中度強化類與人工分類差別較大，其錯誤分類發生在較輕強化類別中，大部分發生在相鄰類別的輕度分類。分析其可能原因有以下兩個方面。一方面，本研究以人工分類為參考標準，且由2名醫師共同讀片，雖然分類的把握度較高，但仍可能存在主觀偏差。本研究中醫師通過在影像存儲與傳輸系統（picture archiving and communication system，PACS）工作站上連續翻動圖像獲取BPE的三維印象，對于輕度、輕-中度、中度之間的判定可能有一定誤差。另一方面，本研究中使用固定閾值分割BPE體積，研究結果表明大部分患者使用固定閾值是可行的，但可能個別患者需要使用有針對性的閾值方能準確地分割BPE體積。上述誤差在臨床實際工作中是可以糾正的，我們的工作流程是DCE-MRI掃描完成后，程序自動對BPE進行分類并輸入到結構化報告中，醫師打開報告確認BPE分類是否正確，基于目前的結果可知，僅極少數病例的BPE自動分類結果需要醫師修改，絕大多數病例的BPE自動分類結果不需要醫師修改，直接接受即可。這種流程既可以提高醫師的工作效率，又可以保證最終報告的準確性。

本研究的局限性在于以下幾個方面。① 納入對象僅為乳腺癌初診患者，有研究［4］表明，通過定量評估NAC前后DCE-MRI中BPE的變化可反映NAC效果。因此，今后BPE相關研究應同時納入NAC前后患者，為后續預測NAC效果做準備。② 本研究以2名高年資放射科醫師共同對BPE實施的分類結果作為金標準，而醫師評估的不一致性很常見［11］。為了使BPE分類標準更加可靠，將來需要對觀察者一致性進行評估。③ 本研究排除了乳腺內極少FGT的數據，由于此類數據乳房內幾乎無FGT，BPE計算可能不準確。為了適用于復雜的臨床實際工作場景，后續研究應針對不同FGT含量的患者進行分層分析。④ 本研究選擇了一個固定閾值分割BPE，這是根據經驗選擇的，后續研究需要選用個性化的動態閾值進行定量計算BPE。最后，所有研究是在同一機構的磁共振設備進行的，未來應使用多中心的數據對模型進行驗證。

總之，基于U-Net深度學習模型和閾值分割技術對BPE進行自動分類的準確度高，有可能應用于臨床實踐，也有可能用于探索BPE與NAC效果的相關性研究。