基于深度學(xué)習(xí)的乳腺DCE-MRI圖像推演模型的構(gòu)建

王蘋(píng)蘋(píng)，聶 品，王麗芳，黨艷莉，朱開(kāi)國(guó)，陳寶瑩

1.西安國(guó)際醫(yī)學(xué)中心醫(yī)院臨床實(shí)驗(yàn)中心，陜西 西安 710700；

2.西安國(guó)際醫(yī)學(xué)中心醫(yī)院影像診療中心，陜西 西安 710700

乳腺癌已經(jīng)成為女性發(fā)病率最高的惡性腫瘤，并且發(fā)病率在世界范圍內(nèi)持續(xù)增長(zhǎng)，嚴(yán)重威脅女性的健康［1-2］。磁共振成像（magnetic resonance imaging，MRI）篩查乳腺能發(fā)現(xiàn)更多的早期腫瘤［3-4］，顯著降低乳腺癌死亡率［5-7］。多個(gè)指南［8-9］均建議高危人群除須進(jìn)行乳腺X線攝影篩查外，還應(yīng)補(bǔ)充乳腺M(fèi)RI篩查。但傳統(tǒng)完整的乳腺M(fèi)RI檢查須進(jìn)行平掃及多期動(dòng)態(tài)對(duì)比增強(qiáng)MRI（dynamic contrast-enhanced MRI，DCEMRI），價(jià)格貴、耗時(shí)長(zhǎng)、技術(shù)要求高，以及存在造影劑過(guò)敏風(fēng)險(xiǎn)及造影劑導(dǎo)致的不良反應(yīng)等問(wèn)題［10］。非增強(qiáng)簡(jiǎn)化乳腺M(fèi)RI方案的提出有效縮短了掃描時(shí)間，降低了費(fèi)用，且避免了造影劑的使用，但由于缺少增強(qiáng)序列圖像，篩查的敏感性及準(zhǔn)確性尚無(wú)法確定［11］。因此，亟須尋找一種新型技術(shù)方法，實(shí)現(xiàn)在無(wú)實(shí)際掃描的情況下，獲取增強(qiáng)圖像，來(lái)有效彌補(bǔ)非增強(qiáng)簡(jiǎn)化序列中信息的缺失。

近年來(lái)，生成對(duì)抗網(wǎng)絡(luò)（generative adversarial networks，GAN）在醫(yī)學(xué)圖像中的應(yīng)用，為提高醫(yī)學(xué)圖像質(zhì)量及實(shí)現(xiàn)圖像模態(tài)間的轉(zhuǎn)換提供了新思路［12-14］。Huang等［15］利用上下文感知的GAN，實(shí)現(xiàn)了運(yùn)用腦部MRI的T1加權(quán)成像（T1-weighted imaging，T1WI）圖像推演生成T1WI增強(qiáng)、T2加權(quán)成像（T2-weighted imaging，T2WI）及T2液體抑制反轉(zhuǎn)恢復(fù)（fluid-attenuated inversion recovery，F(xiàn)LAIR）序列圖像，有效證明了GAN算法在醫(yī)學(xué)圖像合成中的潛在價(jià)值。此外，已有研究［16-17］證明GAN模型可以將低劑量計(jì)算機(jī)體層成像（computed tomography，CT）圖像轉(zhuǎn)換為正常劑量CT圖像。雖然推演技術(shù)在醫(yī)學(xué)影像領(lǐng)域已經(jīng)取得了一定的成果，但準(zhǔn)確度有待提高，同時(shí)生成的圖像質(zhì)量仍不能滿足臨床需求。另外，現(xiàn)有研究［15-17］多集中在腦部MRI、CT等方面，乳腺M(fèi)RI圖像模態(tài)間的轉(zhuǎn)換研究未見(jiàn)報(bào)道。本研究旨在探究利用GAN實(shí)現(xiàn)乳腺M(fèi)RI平掃圖像合成DCE-MRI圖像的可行性。在這里，我們擬利用深度學(xué)習(xí)Pix2Pix算法［18］構(gòu)建乳腺DCE-MRI圖像推演模型，使其能夠利用T1WI序列圖像合成DCE序列圖像，以期補(bǔ)充非增強(qiáng)簡(jiǎn)化序列中信息的缺失。

1 資料和方法

1.1 研究對(duì)象

收集2020年1月—2021年8月在西安國(guó)際醫(yī)學(xué)中心醫(yī)院行乳腺M(fèi)RI檢查的54例女性患者的臨床信息及乳腺M(fèi)RI圖像資料，隨機(jī)分為訓(xùn)練集（38例）、測(cè)試集1（8例）及測(cè)試集2（8例）。納入標(biāo)準(zhǔn)：① 具有完整的乳腺M(fèi)RI序列；② MRI圖像無(wú)嚴(yán)重運(yùn)動(dòng)偽影、磁敏感偽影或其他偽影；③ 未進(jìn)行乳房切除手術(shù)、乳房整形手術(shù)及其他治療。排除標(biāo)準(zhǔn)：① 乳腺M(fèi)RI序列不完整；② MRI圖像有嚴(yán)重運(yùn)動(dòng)偽影、磁敏感偽影或其他偽影導(dǎo)致無(wú)法分析；③ 行乳房切除手術(shù)或整形手術(shù)的患者；④ 乳腺癌新輔助治療、放療等治療后的患者。本研究經(jīng)西安國(guó)際醫(yī)學(xué)中心醫(yī)院倫理委員會(huì)批準(zhǔn)，按照《赫爾辛基宣言》的原則進(jìn)行。

1.2 儀器與圖像采集

1.2.1 儀器

采用德國(guó)Siemens公司的Magenatom Prisma 3.0 T MRI儀行乳腺M(fèi)RI檢查，使用18通道專用乳腺相控陣線圈進(jìn)行數(shù)據(jù)采集。

1.2.2 圖像采集

患者采取俯臥位，足先進(jìn)。平掃使用T1 快速小角度激發(fā)（fast low angle shot，F(xiàn)LASH）3D序列，T2最優(yōu)可變翻轉(zhuǎn)角改善對(duì)比完美采樣（sampling perfection with application optimized contrast using different flip angle evolution，SPACE）精準(zhǔn)頻率反轉(zhuǎn)恢復(fù)（spectral adiabatic inversion recovery，SPAIR）序列；彌散使用Zoomit彌散加權(quán)成像（diffusion weighted imaging，DWI）序列，b值選用0和1 000 s/mm2；增強(qiáng)采用容積內(nèi)插屏氣掃描（volumetric interpolated breath-hold examination，VIBE）序列，蒙片后掃描6期，單期時(shí)長(zhǎng)111 s，造影劑使用釓貝葡胺注射液，注射劑量為0.2 mmol/kg并等量注射生理鹽水，注射速率為2 mL/s。各序列掃描基本參數(shù)設(shè)置見(jiàn)表1。

表1 掃描序列基本參數(shù)設(shè)置表

1.3 深度學(xué)習(xí)模型

1.3.1 圖像預(yù)處理

本研究采集的MRI原始圖像均為DICOM格式；首先，將圖像轉(zhuǎn)換為PNG格式，且圖像尺寸不變，即384 mm×384 mm；然后利用Min-Max方法對(duì)圖像進(jìn)行歸一化處理，使得歸一化后的圖像像素調(diào)整到［-1，1］范圍；最后，對(duì)圖像進(jìn)行旋轉(zhuǎn)、裁剪和鏡像操作，來(lái)擴(kuò)展訓(xùn)練數(shù)據(jù)集。

1.3.2 推演模型構(gòu)建

本研究采用Pix2Pix算法，使用訓(xùn)練集中的3 000對(duì)預(yù)處理后的DCE-MRI圖像來(lái)訓(xùn)練乳腺DCE-MRI圖像推演模型，學(xué)習(xí)T1WI序列圖像與DCE序列第一期圖像間的映射關(guān)系，從而使訓(xùn)練后的模型能夠利用T1WI序列圖像生成對(duì)應(yīng)的DCE序列第一期圖像。在模型訓(xùn)練過(guò)程中，我們使用Adam優(yōu)化器優(yōu)化目標(biāo)損失函數(shù)，且每次訓(xùn)練都對(duì)目標(biāo)函數(shù)進(jìn)行更新，直到收斂。

1.3.3 模型性能評(píng)估

在測(cè)試集中利用乳腺DCE-MRI圖像推演模型合成DCE第一期圖像及序列，并分別通過(guò)峰值信噪比（peak signal to noise ratio，PSNR）、結(jié)構(gòu)相似性（structural similarity，SSIM）、均方誤差（mean square error，MSE）、平均絕對(duì)誤差（mean absolute error，MAE）指標(biāo)［19］對(duì)模型性能進(jìn)行客觀評(píng)估；另外，使用Pearson相關(guān)性分析來(lái)評(píng)估合成的DCE序列與原始的DCE序列間的相關(guān)性。

1.4 統(tǒng)計(jì)學(xué)處理

連續(xù)變量采用±s來(lái)表示；另外，采用Pearson相關(guān)性來(lái)分析合成的DCE序列與原始序列的相關(guān)性。

2 結(jié) 果

2.1 模型合成DCE圖像的性能

首先，評(píng)估模型合成DCE圖像的性能。在測(cè)試集1中隨機(jī)選取了760張T1WI圖像（來(lái)自8例患者），利用推演模型合成其對(duì)應(yīng)的第一期DCE圖像，合成圖像的PSNR、SSIM評(píng)估結(jié)果見(jiàn)表2。結(jié)果顯示，合成圖像與原始圖像具有較高的SSIM，且信息損失較低。

表2 模型合成DCE圖像的性能評(píng)估結(jié)果

2.2 合成DCE序列的重建誤差

評(píng)估模型合成第一期DCE序列的性能。圖1展示了對(duì)測(cè)試集2中每個(gè)受試者合成的第一期DCE序列的重建誤差分布情況，表3為合成的DCE序列的總體重建誤差。可以看出，合成的DCE序列與其原始DCE序列相比具有較小的重建誤差。

表3 合成的DCE序列的總體重建誤差

圖1 合成的第一期DCE序列重建誤差分布圖

2.3 相關(guān)性分析結(jié)果

評(píng)估合成的DCE序列與原始DCE序列間的相關(guān)性。如圖2所示，箱形圖展示了患者的合成序列與原始序列間相關(guān)性分布。結(jié)果顯示，合成的第一期DCE序列與其原始DCE序列間均存在高度正相關(guān)，其中，合成的第一期DCE序列與原始DCE序列間相關(guān)性的平均值為r=0.872±0.038（95% CI：0.870～0.874，P=0.000）。

圖2 合成的第一期DCE序列與真實(shí)DCE序列相關(guān)性分析結(jié)果

另外，如圖3所示，圖3A為合成的DCE第一期圖像，圖3B為原始的DCE第一期圖像。合成的DCE圖像在心臟及大血管中得到了顯著的增強(qiáng)，且具有與原始DCE圖像相似的背景實(shí)質(zhì)增強(qiáng)及病灶增強(qiáng)。

圖3 DCE第一期圖像示例

3 討 論

本研究利用Pix2Pix算法構(gòu)建乳腺DCE-MRI圖像推演模型，開(kāi)發(fā)了利用T1WI序列推演合成DCE序列第一期圖像的新技術(shù)。并且，我們發(fā)現(xiàn)通過(guò)該模型合成的DCE序列圖像與原始的DCE序列圖像具有很高的結(jié)構(gòu)相似性、較低的信息丟失和重建誤差。另外，合成的DCE序列與原始的DCE序列存在高相關(guān)性（r=0.872±0.038，95% CI：0.870～0.874，P=0.000）。由此可見(jiàn)，本研究構(gòu)建的乳腺DCE-MRI圖像推演模型可以生成逼真的DCE序列圖像。

本研究構(gòu)建的乳腺DCE-MRI圖像推演模型為無(wú)須實(shí)際掃描即可獲取DCE序列圖像提供了一種新思路，通過(guò)該方式可以有效避免造影劑的使用，且補(bǔ)充非增強(qiáng)簡(jiǎn)化序列中缺失的信息，縮短檢查時(shí)間，減少花費(fèi)，對(duì)提高乳腺M(fèi)RI的普適性具有重要意義。雖然不少研究者［20-21］已經(jīng)利用深度學(xué)習(xí)方法實(shí)現(xiàn)了醫(yī)學(xué)圖像模態(tài)間的轉(zhuǎn)換，但乳腺M(fèi)RI圖像存在像素分布不均勻等問(wèn)題，且利用乳腺M(fèi)RI平掃序列推演DCE序列的研究未見(jiàn)報(bào)道。本研究首次提出利用GAN算法，使用平掃圖像推演生成DCE-MRI序列第一期圖像，證明了其可行性，為拓寬深度學(xué)習(xí)在乳腺M(fèi)RI模態(tài)間轉(zhuǎn)換奠定了基礎(chǔ)。

本研究的局限性在于僅在較小樣本的數(shù)據(jù)集上構(gòu)建了乳腺DCE-MRI圖像推演模型；但值得肯定的是，該模型已經(jīng)可以合成逼真的DCE序列圖像。我們將在后續(xù)研究中擴(kuò)大樣本量來(lái)訓(xùn)練模型，以期提高性能。另外，本研究?jī)H在回顧性數(shù)據(jù)集中驗(yàn)證了模型性能，在接下來(lái)的研究中，我們會(huì)進(jìn)一步進(jìn)行前瞻性研究來(lái)驗(yàn)證其性能。

總之，本研究利用Pix2Pix算法構(gòu)建了乳腺DCE-MRI圖像推演模型，該模型實(shí)現(xiàn)了利用T1WI圖像合成DCE序列第一期圖像的技術(shù)。合成的DCE序列圖像與原始的DCE序列圖像具有較高的SSIM、較低的信息損失及重建誤差。該方法為有效避免造影劑的使用、補(bǔ)充非增強(qiáng)乳腺M(fèi)RI簡(jiǎn)化序列中信息的缺失奠定了基礎(chǔ)，同時(shí)能有效地縮短檢查時(shí)間，減少花費(fèi)，對(duì)提高乳腺M(fèi)RI的普適性，尤其是促進(jìn)乳腺M(fèi)RI篩查的普及提供了很重要的思路。