基于磁共振成像的女性盆底器官三維數字模型重建的研究進展

陳立奇，薛卓維，吳氫凱

上海交通大學醫學院附屬第六人民醫院婦產科，上海 200233

妊娠和分娩所致的盆底支撐組織損傷和老年患者盆底支撐組織力量薄弱是造成女性盆底功能障礙性疾病（pelvic floor disorders，PFD）的主要因素，其發病率有逐年升高的趨勢［1］。PFD 患者常以子宮陰道脫垂，排尿、排便相關功能障礙為首發癥狀就診，上述癥狀嚴重威脅患者的生活質量、影響其社交活動。恢復盆底組織器官空間解剖關系是治療PFD 的關鍵，這也對影像學檢查提出了更高的要求［2-3］。磁共振成像（magnetic resonance imaging，MRⅠ）可直觀地呈現盆底的精細解剖，使盆底解剖進入可視化時代。而隨著動態MRⅠ的發展，PFD 的解剖評估從經典的盆腔器官脫垂量化分期法（pelvic organ prolapse quantitation，POP-Q） 逐漸擴展聯合MRⅠ共同評估［4］。伴隨數字影像技術及人工智能技術的不斷升級，盆底三維數字重建成為現實，為盆底組織器官的空間展示提供了可能。為此，本文歸納現有基于MRⅠ的三維數字模型重建技術，分析其對于盆底器官組織重建的效果及發展現狀，旨在為PFD 的診療和科學研究提供可實踐的參考。

1 基于MRI的三維數字模型重建的意義與局限

1.1 MRI與三維重建的聯系及模型重建的意義

繼1946 年核磁共振現象被發現以來，MRⅠ便以軟組織高分辨率、無重疊斷層顯像、無電離輻射等優勢迅速發展并應用于醫學各個領域。動態MRⅠ能夠記錄PFD 患者Valsalva（或Kegel）動作發生時盆底器官位置的變化軌跡［5］，這是靜息MRⅠ不具備的［6］，并在一定程度上解釋了部分靜態MRⅠ診斷與臨床癥狀不完全一致的情況［7］。借助坐標系輔助測量，如HMO（H line，M line，organ prolapse）分度系統，MRⅠ能夠對PFD 進行量化評估以提高診療質量［8-9］。但是，MRⅠ圖像仍為二維數據，分析者只能對平面影像逐張讀片和測量以完成對PFD 的解剖評估，難以滿足對盆底器官組織的三維空間展示需要，這促使數字信息技術與影像學檢查進一步融合。

對女性盆底器官組織進行三維重建的需求和工作是逐步深入的。二維平面影像檢查（可獲得長度、線夾角、面積等參數）無法直接測量空間參數（空間距離、平面夾角、體積、表面積等），需要通過一定手段重建為三維模型從而為此類研究提供測量載體。通過三維重建，研究者可根據不同應用場景和研究方向對模型進行空間測量、力學分析、形態模擬，配合相關設備亦能夠實現人機交互、術式模擬、器械設計等［10］。更值得一提的是，由于三維數據來源于現實患者的無創安全的MRⅠ檢查，其最終所得為個體化模型，因此其既具有臨床針對性，又具有安全性。

1.2 基于MRI的三維數字模型重建的局限

盡管基于MRⅠ的三維數字模型重建的研究已初具規模，但仍有一定的局限。首先，基于MRⅠ的三維數字模型重建的核心方法為體繪制，其主要利用灰度閾值分割法（分析某像素點周圍灰度連續變化幅度，通過預設閾值以判斷此點是否為邊緣點進行判定）識別組織輪廓，通過逐層堆疊實現三維重建。受限于盆底組織器官在MRⅠ下的顯像固有特性，不同組織器官的掃描灰度范圍并不能特異分離。在自動體繪制下，設定較低閾值則出現較多錯誤邊緣，而閾值過高則出現較多邊緣缺損，影響建模精準性。人工識別邊緣是解決上述問題的方法，但耗時明顯，且人工識別所帶來的系統誤差和一致性也是必須考慮的因素。

其次，盆底MRⅠ掃描需指導患者進行Valsalva（或Kegel）動作改變盆腔壓力。因患者體能差異和盆底組織存在彈性疲勞，其盆底臟器在動作最大化位置保持時間不同且每次動作前后無法徹底還原位置和形狀，加之MRⅠ各維度、各序列間均存在掃描時差，故成像存在形變偏差，最終導致重建模型亦存在偏差。縮短逐層掃描所用時間是減少此類偏差的解決途徑，但對MRⅠ掃描設備要求更高，并非所有研究者具備此條件。

最后，不同患者對上述動作的掌握能力存在差異，部分患者動作無法達到最大化，且MRⅠ掃描體位（平臥位）和婦科檢查（截石位）不一致，這些因素可能導致MRⅠ評估與POP-Q 結果不完全一致［5，11］。統一動作指導及掃描流程能在一定程度減少此類問題發生，但其標準性仍有待進一步探討。

2 基于MRI的三維數字模型重建的臨床實踐

目前，能夠實現三維重建的途徑眾多，但便于醫學研究者操作，特別是能夠與醫學影像歸檔和通信系統 （picture archiving and communication systems，PACS）結合的主要為開源或商業醫學影像分析軟件以及針對盆底的自研分割算法和重建。

2.1 開源或商業醫學影像分析軟件重建女性盆底三維數字模型

此類軟件（如3D Slicer、Mimics、Amira）建模技術相對成熟，可依據不同研究需求選擇圖形分割算法，無需額外開發。而諸如AVⅠZO、C4D、3D MAX等軟件雖能夠達到建模要求，但主要面向工業設計，研究者需具備一定繪圖基礎，專業要求高，臨床開展難度大，故應用較少。

2.1.1 3D Slicer 軟件 3D Slicer 軟件由美國麻省理工學院人工智能實驗室和波士頓Brigham 婦女醫院聯合開發，是近年來興起的醫學圖像分析（包括配準和交互式分割）、可視化（包括體繪制、三維重建）以及用于圖像引導治療研究的開放軟件平臺。3D Slicer僅通過“Segment Editior”核心插件即可精準建模，直觀輸出，并借助算法添加、多模態成像和開放的應用程序編程接口不斷更新自身運算能力和應用范圍。3D Slicer 采用人工繪制與智能閾值識別相結合的方法，允許研究者在精確識別組織輪廓和模型繪制效率中尋求最大平衡。同時，多種插件的開發更為復雜PFD、盆腔器官脫垂（pelvic organ prolapse， POP）手術的方案制定和術后評估提供了個體化的解決方案。CHEN 等［3］利用3D Slicer 對陰道后壁膨出（POP分度Ⅲ期）行可視網片（一種含Fe3O4的聚丙烯復合網片，可在MRⅠ中顯影）修補術后3 個月的患者，進行MRⅠ后三維重建，以精確評估手術療效，為網片的設計及術中放置提供反饋。基于上述研究，BROCKER 等［12］利用3D Slicer 對陰道前壁膨出行可視網片植入術后的補片空間分布和位置進行評估，發現術后3個月網片面積縮小40%甚至更多。通過三維重建，臨床醫師能夠評估網片位置及偏移程度，定量安全邊緣，進而在一定程度上降低網片植入所致疼痛及其他并發癥發生率。LUO等［13］應用3D Slicer對健康女性和POP 患者靜息及最大Valsalva 動作下主韌帶、宮骶韌帶進行三維重建后發現，POP患者的主韌帶相比健康女性在Valsalva 動作下較靜息狀態下延長更為明顯，而宮骶韌帶則表現為傾斜角變化更為明顯，延伸長度變化與健康女性無差異。筆者所在團隊利用3D Slicer 實現對PFD 的逆向分析［14］，發現根據膀胱后壁形態及下降幅度可分析患者膀胱膨出的類型。PⅠPⅠTONE 等［15］利用3D Slicer 重建會陰筋膜，發現妊娠和分娩都會導致會陰筋膜平面與坐骨恥骨支平面夾角的變化，而經陰道分娩對其影響更為嚴重。

3D Slicer亦有不足之處。其起步較晚，免費開源化的網絡社區缺乏技術支持，致使其功能更新較慢，運行相對不穩定，在大量數據分析中容易出錯。盡管如此，結合筆者的臨床實踐，3D Slicer的操作邏輯更易于理解，不同領域的學者均能夠較快掌握其應用和分析方法并完成成果轉化，故推薦3D Slicer 作為基于MRⅠ的三維數字模型重建的的首選應用。

2.1.2 Mimics 軟件 Mimics 系統（Materialise’s interactive medical image control system） 由比利時Materialise 公司開發，其對于骨組織、血管組織的建模效果較為精準，并具有空間測量功能，常用于解剖分析、手術模擬、器械（假體或網片等）設計、療效分析等領域。繼國外研究者提出基于MRⅠ數據進行肛提肌三維模型測量的需求后，2009年劉萍等［16］在國內首次應用Mimics 手動分割盆底解剖結構，完整重建了會陰小肌群和骨盆，并對我國健康未育女性肛提肌相關空間參數進行測量并得出參考范圍，擴展了臨床對于肛提肌的空間認識。利用Mimics 重建肛提肌的研究［9］顯示，相比健康女性，直腸脫垂患者肛提肌各部分出現了形態改變和斷裂缺損，這是造成直腸脫垂的主要原因。部分研究利用Mimics 重建盆底三維模型后引入有限元分析以進行生物力學分析［17-18］，發現個體化經肛提肌外腹會陰聯合切除術對盆底非肛提肌組織內的應力有降低作用，可為個體化診療提供參考。JEANDⅠTGAUTⅠER 等［10］利用Mimics 重建模型模擬不同術式對于盆腔脫垂器官的影響，發現較大網片能夠提供更高的整體張力并降低縫合區域的局部張力，在減少網片磨損的情況下可有效減少盆底器官的活動度。LⅠ等［19］利用Mimics 對我國部分孕婦的骨盆及胎兒進行三維重建發現，可疑頭盆不稱孕婦其胎兒胎頭周長、身長及體質量均明顯高于正常陰道分娩產婦。Mimics 的不足之處在于其對MRⅠ掃描序列的支持不夠全面，部分序列在Mimics中無法識別和繪制。

2.1.3 Amira 軟件 Amira 軟件由Thermo Fisher 公司開發，其盆底三維重建的研究主要分為兩部分——可視化工具的開發和可視化應用的探索。

Amira 可視化工具的開發主要包括數據預處理、映射、繪制和顯示。建模效果方面，Amira 具有一定自動分析能力，其處理速度快，數據通量大，允許基于MRⅠ的三維數字模型重建后的研究樣本量得到提升，進而完成更為復雜的盆底測量和分析。但受限于MRⅠ對于各軟組織器官的分辨率，其圖像分割過程仍需人工交互配合。有學者［11］利用Amira 對Valsalva動作下的女性盆底進行重建以分析生物力學變化，發現H線（恥骨聯合下緣至肛門直腸交界水平處直腸后壁的距離）、M 線（H 線直腸末端到恥骨聯合下緣至骶尾關節之間連線的距離）、G1 角（肛提肌板角）、G2角（肛直腸角）可用于衡量盆腔器官脫垂的程度，以此為據評估復雜盆底缺陷，制定個體化手術方案。

Amira 可視化應用的探索主要針對盆底三維模型的渲染和分析。區別于傳統被動結果觀察，Amira 以研究者為引導，通過改變參數影響計算過程和觀察結果，使研究者能夠觀察到常規三維重建下難以發現的圖形規律及特殊現象。LⅠ等［20］應用Amira 重建盆筋膜腱弓，發現其與陰道前壁、恥骨膀胱肌、膀胱外側韌帶共同組成“吊床”結構。當腹壓增加時，盆筋膜腱弓對近端尿道和膀胱頸部穩定性和控尿的支撐至關重要。楊曉紅等［21］應用Amira 測量比較子宮脫垂患者與健康女性的骶、主韌帶空間參數，發現骶韌帶之間角度、骶韌帶長度是子宮脫垂病變的重要參數。由此，骶韌帶重建是治療子宮脫垂的關鍵。LERCH等［22］應用Amira 對髖關節進行建模，以測量和模擬髖關節撞擊發生時各部位空間參數，進而優化骨盆手術療效。

Amira 的不足之處在于其多數復雜的渲染工具無法直接用于基于MRⅠ的三維數字模型，且操作邏輯不夠直觀，部分專有名詞晦澀難懂，初學者熟練掌握周期較長。

2.2 自研分割算法重建女性盆底三維數字模型

此類方法依據是否存在已知正確的圖形輸入-輸出數據集，即“標簽”，分為有監督分割法和無監督分割法。研究者可根據研究方向針對性開發算法特性，重建與之對應的盆底模型。

2.2.1 有監督分割法 有監督分割法主要包括神經網絡-深度學習、線性回歸、決策樹、樸素貝葉斯算法等。目前可能實現盆底重建的主流方式為神經網絡-深度學習。區別于無監督分割法，神經網絡-深度學習打破人為制定識別規則的局限，以現有模型和與其對應的MRⅠ序列為學習樣本，模仿人腦神經元之間的信息傳遞模式，以適量的神經元計算節點和多層次 運 算 構 建 DⅠCOM （digital imaging and communications in medicine） 數據積卷神經網絡（convolutional neural network，CNN），創建與之相適的輸入和輸出層，以wake-sleep 等算法認知和生成三維重建規律，經過大量樣本的反復訓練，可極大提高分割效率［23-24］，實現盆底三維重建全面自動化［25］。值得一提的是，深度學習具備類似于人腦思維中的“經驗”，其來源于學習過程中對于干擾因素的識別和排除［26］。SARⅠ等［27］利用深度學習法訓練并分割出盆腔中的消化道氣囊，減少了MRⅠ偏差，其準確性與半自動分割效果相當，而將此種方法處理后的MRⅠ與μ-maps 合成后，其準確性優于傳統的正電子發射斷層顯像（positron emission tomography，PET）/MRⅠ合成圖像。目前，基于深度學習技術的人工智能輔助標注（AⅠ-assisted annotation，AⅠAA）插件已上線3D Slicer 平臺，其能夠對部分胸腹腔器官進行自動三維重建和學習，但僅能用于計算機斷層掃描（computed tomography，CT）影像。

盡管神經網絡-深度學習在各研究領域已嶄露頭角，但仍有其制約瓶頸。首先，神經網絡-深度學習需要大量樣本進行訓練，而國內外基于MRⅠ的三維數字模型較少，故高數據需求量限制了其建模規律的探索，進而影響了建模質量。為避免此影響，ZABⅠHOLLAHY 等［28］采用“由粗到細”的兩步CNN 策略，先學習MRⅠ中盆底器官的大體拆分，再學習細化分割，最終實現膀胱、直腸和乙狀結腸的全自動分割。其次，有監督分割法所必需的“標簽”在基于MRⅠ的三維數字模型重建的研究中主要體現在統一的模型評價標準。而目前國內外尚無標準的MRⅠ掃描參數、流程以及重建模型質量的評價系統，這導致不同研究中重建的盆底模型無法互相比較，而神經網絡-深度學習亦無法同時利用這些模型進行統一學習。LⅠU 等［29］基于彌散加權成像序列的表觀彌散系數建立評分系統對CNN 重建骨盆模型的質量進行量化評估，發現深度學習法能夠自動分割骨盆，其精準性能夠量化。但上述評分系統僅評價了骨盆模型，且對比標準仍為人工分割。最后，受限于深度學習法的本質特性，其建模“規律”僅體現于函數化后的計算機矩陣代碼中，其學習過程難以解釋，即“黑箱”處理［30］。而包含于“黑箱”中的參數是否具有其他特殊意義或研究價值尚待進一步研究。

2.2.2 無監督分割法 無監督分割法主要包括閾值、聚類、赫比學習、自編碼等。無監督分割法的優勢在于其以單位像素為最小圖像信息采集單元，無需大量訓練數據即可實現較高效率的圖形分割。優化此種算法用以建模能夠以統一規則減少人工分割圖形帶來的誤差，同時減少計算機反復識別和修正輪廓導致的邊緣信息丟失，保留更多模型細節。

盡管目前尚無利用自研無監督分割法直接完成盆底三維重建的報道，但從底層優化算法規則并與其他三維重建軟件聯合開發可能是實現精準高效盆底三維重建的另一途徑。如灰度二值法能夠增強MRⅠ圖像骨性邊緣以區分周圍軟組織［31］。邊緣灰度增強法用于強化圖像局部邊緣以輔助邊緣識別，提高圖像分割準確性［32］。由于無監督分割法在學習過程中缺乏“標簽”信息，其訓練過程無最優標準作為參考，故其建模準確性與有監督分割法或人工建模相比，一致性尚待進一步探討。

2.2.3 混合分割法 結合上述分割算法優劣，有監督與無監督混合分割法應運而生，其特性在于圖形數據的分布具有部分“標簽”。此方法在基于MRⅠ的三維數字模型重建的過程中可以理解為：研究者參考無監督分割算法所指示的圖形邊緣進行手動修正并分割圖形后生成滿意的模型，即標準模型。待標準模型積累一定數量后交由神經網絡-深度學習進行訓練，最后達到高精度自動建模的目的。3D Slicer在人工體繪制的過程中具有無監督分割算法的邊緣預測。而通過人為修正后，盆底模型可以提交至神經網絡進行深度學習。可見，混合分割法具有現實可行性。同時，神經網絡-深度學習不僅能夠建立圖像-模型的輸入-輸出關系，亦可以建立圖形-繪制者的輸入-輸出關系，即模仿人工繪圖手法，而非建模方法。FENG 等［33］利用深度學習模仿醫學專家對PFD 患者MRⅠ圖像病變區域進行標定，其一致性較好，且處理單張圖像僅需0.015 s。不僅證實上述分割算法的可行性，亦為后續研究提供了新的思路。

3 總結與展望

隨著醫學影像技術、生物信息技術以及計算機運算能力的提高，基于醫學影像的生物組織三維數字重建技術已經獲得了長足的發展。盡管我國基于MRⅠ的女性盆底器官三維數字模型重建的研究尚處于起步階段，但我國PFD 人群基數大，可供學習病例豐富，相信在計算機深度學習技術以及經典三維重建技術不斷創新和優化下，臨床能夠批量而精準地完成女性盆底組織器官的三維模型重建，以深入探索PFD 的發病機制，創新和優化診治方案，最終提高PFD 診療效果，進一步改善PFD患者的生活質量。