3D U-Net深度學習模型基于盆腔T2WI自動分割盆腔軟組織結構

劉 想，韓 超，高 歌，朱麗娜，陳衛東，黃嘉豪，王祥鵬，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)

多參數MRI(multiparametric MRI， mpMRI)是影像學檢查前列腺癌的重要手段[1]，不僅可用于臨床診斷，且有助于指導放射治療(簡稱放療)前列腺癌[2]。精確勾畫靶區是保證放療療效的關鍵因素之一。前列腺癌臨床靶區包括整個前列腺和精囊腺，可能受到照射損傷的鄰近器官包括直腸、膀胱、尿道及股骨等[3]，而勾畫上述結構較耗時、費力，且易受主觀因素影響。3D U-Net是一種卷積神經網絡結構，可用于分割3D圖像。本研究評估采用3D U-Net深度學習(deep learning， DL)模型基于盆腔T2WI自動分割盆腔組織結構的可行性。

1 資料與方法

1.1 一般資料 回顧性分析2020年6月—12月147例于北京大學第一醫院就診的前列腺疾病患者，年齡28～86歲，平均(66.3±11.9)歲。納入標準：①病理證實前列腺癌，或經病理/盆腔MRI隨訪確診良性前列腺增生；②資料完整且圖像清晰。排除標準：①前列腺癌根治術后；②前列腺周圍組織存在原發性或繼發性病變；③MR掃描范圍不全。147例中，108例良性前列腺增生，39例前列腺癌，經病理證實腫瘤分期≤T2期；其中28例因隨訪需要接受2次盆腔MR掃描，121例接受單次盆腔MR掃描；共獲得175組盆腔T2WI。本研究方案符合院人工智能(artificial intelligence， AI)模型訓練規范要求。

1.2 儀器與方法 采用GE Discovery HD 750 3.0 T MR儀或Siemens Avanto 1.5 T MR儀，按照統一盆腔mpMR掃描方案[4]采集軸位T2WI，TR 4 000 ms/7 950 ms，TE 100 ms/112 ms，層厚3 mm/3.5 mm，層間距0，FOV 200 mm×200 mm，矩陣224×224。

1.3 手動標注盆腔組織結構 將DICOM格式T2WI轉換為Nifty格式。由1名具有3年影像學診斷經驗的住院醫師采用ITK-SNAP軟件(Version 3.6.0，http：//www.itksnap.org/)手動調整窗寬及窗位，逐層標注前列腺、雙側精囊腺、膀胱、直腸、尿道、雙側閉孔內肌和雙側恥骨直腸肌；再由1名具有15年以上影像學診斷經驗的主任醫師對標注進行修改后確認，獲得重建3D圖像(圖1)。

圖1 手動標注T2WI所示盆腔組織示意圖 A～C.分別于軸位不同層面T2WI上標注各組織結構； D～F.分別為重建的組織結構正面觀、下面觀及背面觀3D圖

1.4 3D U-Net模型分割盆腔組織結構 采用3D U-Net DL網絡[5]分割盆腔各組織結構。按8∶1∶1比例將數據分為訓練集(n=137)、調優集(n=21)和測試集(n=17)。將訓練集T2WI和手動標注的各盆腔結構標簽導入3D U-Net模型進行訓練。采用Opencv 3.4.0.12(https://opencv.org/)、Numpy 1.16.2(https://numpy.org/)及Simple ITK .2.0(https://simpleitk.org/)軟件包對175組T2WI數據進行預處理，使其素數大小為256×256×64(X，Y，Z)，自動窗寬、窗位；以Adam(https://arxiv.org/abs/1412.6980)為訓練優化器，批量大小1，學習率0.000 1，循環次數200；DL框架為PyTorch 0.4.1(Python 3.6)，訓練使用顯存為GPUNVIDIA Tesla P100 16G(https://www. nvidia.com/en-us/data-center/tesla-p100/)，運行系統為ubuntu16.04。完成訓練后，采用ITK-SNAP軟件將3D U-Net模型分割區域疊加至手動標注區域及T2WI。

1.5 評價分割效能 以手動標注的標簽為評價模型分割性能的標準，定量評估3D U-Net模型對盆腔內結構的分割性能，評價指標包括Dice相似系數(Dice similarity coefficient, DSC)、Jaccard相似系數(Jaccard similarity coefficient, JSC)、精確率(precision, PRE)、召回率(recall, REC)和準確率(accuracy, ACC)[6]。計算公式如下：

DSC=2·|X∩Y|/|X+Y|，

JSC=|X∩Y|/|X∪Y|，

ACC=|VTP+VTN|/|VTP+VFN+VFP+VFN|,

PRE=VTP/|VTP+VFP|,

REC=VTP/|VTP+VFN|,

其中，X為手動標注的體素數，Y為模型分割的體素數；VTP代表真陽性部分體素數，即模型分割結果與手動標注一致；VTN代表真陰性部分體素數，模型分割與手動標注一致；VFP為假陽性部分體素數；VFN為假陰性部分體素數。應用最小體積包圍盒算法[7]測量并比較各結構的手動標注體積及模型分割體積(圖2)，評價模型測量盆腔組織結構的體積的效能。

圖2 采用最小體積包圍盒算法測量盆腔各結構體積的示意圖 上排從左至右依次為前列腺、膀胱、直腸、左側精囊腺及右側精囊腺；下排自左至右依次為尿道、左側閉孔內肌、右側閉孔內肌、左側恥骨直腸肌及右側恥骨直腸肌

1.6 統計學分析 采用SPSS 18.0和MedCalc 14.8統計分析軟件。計數資料以頻數表示。采用Kolmogorov-Smirnov法對計量資料進行正態性檢驗，符合正態分布者以±s表示，行方差分析或獨立樣本t檢驗；非正態分布以中位數(上下四分位數)表示，行Kruskal-WallisH檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 組間一般資料比較 訓練集113例中，86例前列腺增生、27例前列腺癌；調優集17例中，11例前列腺增生、6例前列腺癌；測試集17例中，11例前列腺增生、6例前列腺癌；其間患者年齡及血清前列腺特異性抗原(prostate specific antigen， PSA)水平差異均無統計學意義(P均>0.05)，見表1。

表1 訓練集、調優集及測試集患者一般資料比較

2.2 3D U-Net模型的分割效能 以手動標注盆腔組織結構標簽為參考標準，3D U-Net DL模型對于測試集盆腔各組織結構的分割結果與手動標注結果的重合度較好，其分割前列腺癌及前列腺增生患者盆腔結構的DSC及JSC均>0.90，ACC、PRE及REC亦均>90%，見表2、3及圖3。

表3 3D U-Net DL 模型分割測試集前列腺增生患者盆腔各結構的效能

2.3 體積比較 以手工標注體積為參考標準，3D U-Net模型分割測試集前列腺癌和前列腺增生患者盆腔各結構體積與手動標注差異均無統計學意義(P均>0.05)，見圖4。

圖4 3D U-Net DL模型分割測試集患者盆腔各結構體積與手動標注分割體積比較 A.前列腺癌患者； B.前列腺增生患者

3 討論

目前已有學者[8]基于mpMRI對前列腺及前列腺癌灶進行自動分割和定位。ZHU等[8]通過建立級聯卷積神經網絡，實現了于T2WI上分割前列腺腺體及外周帶和中央腺體結構；朱麗娜等[9]采用U-Net網絡基于表觀彌散系數圖自動分割和定位前列腺癌；這些研究多針對前列腺或前列腺癌灶本身，未對其周圍組織結構進行研究。本研究訓練的3D U-Net DL模型可分割盆腔T2WI所示前列腺及其周圍正常組織，達到了定位周圍組織結構的目的，為后續研究前列腺癌周圍組織侵犯奠定了基礎。

精準放療是根治性治療前列腺癌的主要方式之一[10]。放療中不僅要準確治療腫瘤，亦須保護盆腔正常臟器，以減少不良反應。CT是目前放療過程中勾畫靶區的主要成像途徑，能提供電子密度信息，用于計算放療劑量[11]，并可較好地顯示盆腔結構，但顯示前列腺腫瘤病灶效果不佳。MRI對軟組織分辨率高，對判斷腫瘤病灶與正常組織的關系更具優勢[12]。研究[13]表明，針對MRI勾畫的前列腺體積與根治術中切除的實際前列腺體積基本吻合。

3D U-Net用于分割多種醫學圖像時均表現出良好性能，尤其樣本量較少時亦能取得較好效果。DSC和JSC是衡量2個體素集合之間的相似性的度量指標，取值范圍為0～1，其值越大，2個集合之間的相似度越高。本研究采用3D U-Net DL模型分割147例前列腺疾病患者的175組盆腔T2WI所示盆腔軟組織結構，測試集結果顯示，該模型對前列腺癌及前列腺增生患者盆腔各組織結構的分割結果與手動標注結果均具有較好的重合度，DSC及JSC均>0.90，以單個體素是否正確進行分類分析，模型分割各組織結構的ACC、PRE、REC均>90%，且分割測試集中前列腺癌和前列腺增生患者盆腔各結構的體積與手動標注差異均無統計學意義，表明其分割前列腺癌及盆腔組織的效能良好。本研究中雙側恥骨直腸肌的DSC及JSC略低于其他組織，分析原因，可能在于相比其他組織，恥骨直腸肌在圖像中所占體素較少，且其形態不甚規則。另外，本研究采用兩種不同MR設備獲取MRI數據，多設備來源的訓練數據可能有利于強化模型的適應能力。

本研究的主要局限性：①為單中心回顧性研究，且無外部驗證；②納入前列腺癌患者腫瘤分期均≤T2期，故該模型是否適用于前列腺癌侵犯周圍組織患者有待進一步驗證。

總之，采用3D U-Net DL模型自動分割盆腔T2WI所示盆腔軟組織結構，有望用于制定前列腺癌放療計劃。