基于顱腦T1WI對比增強圖像構建卷積神經網絡模型鑒別肺癌與乳腺癌腦轉移

宋若晨,褚相樂,黃勇華,劉海燕,張海深

(新鄉醫學院附屬濮陽市油田總醫院放射科,河南 濮陽 457001)

腦為顱外惡性腫瘤常見轉移部位[1],原發腫瘤以肺癌和乳腺癌多見,但約10%的腦轉移癌來源未知[1-2]。MRI為無創診斷腦轉移癌的常規方法,但欲準確鑒別原發灶仍面臨困難。影像組學有助于發現腫瘤內在分子生物學改變[3],可實現腫瘤聚類。既往影像組學多采用傳統機器學習方法分析圖像,提取特征準確性欠佳,致模型習得的有效特征信息不足。深度學習可自動量化和選擇最具魯棒性的特征,以更有效學習語義信息,已用于影像學[4-5]及病理學[6-8]等領域。本研究基于顱腦對比增強T1WI(contrast enhanced T1WI,T1CE),以深度學習卷積神經網絡(convolutional neural network, CNN)算法構建模型,分析其鑒別肺癌與乳腺癌腦轉移的效能。

1 資料與方法

1.1 一般資料 回顧性分析2015年6月—2022年10月濮陽市油田總醫院收治的97例經手術病理確診的乳腺癌或肺癌腦轉移患者。其中39例乳腺癌腦轉移,男1例、女38例,年齡49～83歲、平均(52.9±12.3)歲;58例肺癌腦轉移,男36例、女22例,年齡37～79歲、平均(64.2±8.4)歲。納入標準:①接受顱腦增強MR掃描;②經病理證實原發灶為肺癌或乳腺癌,且僅有一種原發腫瘤;③顱腦增強MR檢查前均未接受針對腦部病灶的抗腫瘤治療;④顱腦MRI無明顯偽影,質量滿足研究要求。排除標準:①臨床資料不全;②無明確腦內結節或腫塊;③腦轉移癌病灶最大徑<1 cm。檢查前及術前患者及家屬簽署知情同意書。本研究經院倫理審查委員會批準(2022-03-0033-E01)并免除知情同意要求。

1.2 儀器與方法 采用Philips Ingenia 3.0T MR儀、頭部線圈進行頭顱掃描。參數:平掃軸位T1WI,TR 2 000 ms,TE 20 ms,矩陣296×151,FOV 230 mm×230 mm;軸位T2WI,TR 3 366 ms,TE 93 ms,矩陣256×256,FOV 230 mm×230 mm;軸位液體衰減反轉恢復(fluid attenuated inversion recovery,FLAIR) T2WI,TI 2 800 ms,TR 11 000 ms,TE 120 ms,矩陣216×130,FOV 230 mm×230 mm;層厚均為5 mm,層間距均為1.5 mm。經肘靜脈團注0.1 mmol/kg體質量釓特酸普胺(流率2.5 ml/s)后采集軸位、矢狀位和冠狀位增強T1WI,TR 267 ms,TE 2.1 ms,矩陣328×208,FOV 230 mm×230 mm,層厚5 mm,層間距1.5 mm。

1.3 圖像處理與分割 以DICOM格式將T1CE從圖像存儲與傳輸系統(picture archiving and communication systems, PACS)中導出。由2名具有6年MRI診斷經驗的影像科主治醫師以開源ITK-SNAP 3.8.0軟件對顱腦軸位T1CE進行分割并標注病灶ROI,即距腫瘤邊緣2 mm以內的腫瘤組織(不排除腫瘤壞死部分)并生成三維ROI;若意見存在分歧,則由另一名高級職稱醫師決定。見圖1。

1.4 提取與選擇特征 采用Pyradiomics 3.0.1軟件于病灶ROI內提取影像組學特征,去除異常值后采用z-score標準化法對特征數據進行標準化處理。之后以獨立樣本t檢驗或Mann-WhitneyU檢驗篩選差異有統計學意義的特征;以最小絕對收縮和選擇算法(least absolute shrinkage and selection operator,LASSO)進行特征降維。

1.5 構建模型

1.5.1 CNN 通過調整網絡輸入格式、批處理數(batchsize)及學習率(learning rate)等對模型進行初始化。選用交叉熵損失函數,結合網絡訓練技巧對網絡進行修正,以訓練分類適當的模型。將數據按7∶3隨機分為訓練集(含17例65個乳腺癌腦轉移、39例肺癌77個腦轉移病灶)和驗證集(含22例36個乳腺癌腦轉移、19例肺癌24個腦轉移病灶)。經多次實驗后發現,在驗證集中batchsize為164、learning rate為0.000 1時損失值最小。

1.5.2 傳統機器學習 分別以7種常見機器學習方法,包括支持向量機(support vector machine, SVM)、隨機梯度下降(stochastic gradient descent, SGD)、K鄰近(K-nearest neighbor, KNN)、決策樹(decision tree, DT)、隨機森林(random forest, RF)、極端隨機樹(extremely randomized trees, ET)及邏輯回歸(logistic regression, LR) 建立模型。于訓練集中訓練模型,基于5倍交叉以驗證集對模型進行驗證。

1.6 統計學分析 采用SPSS 27.0及Python 3.7.6統計分析軟件。以±s表示計量資料,行獨立樣本t檢驗;采用χ2檢驗比較計數資料。以受試者工作特征(receiver operating characteristic, ROC)曲線及曲線下面積(area under the curve, AUC) 評估各模型鑒別肺癌與乳腺癌腦轉移的效能;采用DeLong檢驗比較各模型AUC。P<0.05為差異有統計學意義。

2 結果

共納入202個腦轉移癌病灶,乳腺癌、肺癌腦轉移各101個;共于T1CE中提取1 050個病灶特征;經單因素分析,于訓練集中篩選出162個差異有統計學意義的特征(P均<0.05),經LASSO算法降維后獲得5個最優特征(表1、圖2),據此分別以SVM、SGD、KNN、DT、RF、ET、LR及CNN構建8種影像組學模型。

表1 經LASSO算法降維得到的5個腦轉移癌最優影像組學特征

圖2 LASSO篩選回歸特征圖 A.模型偏差隨參數λ變化曲線圖,虛線表示選取的最優log(λ)值及1個標準誤差所在位置; B.模型影像組學特征系數隨log(λ)變化的曲線圖,虛線表示選取的最優log(λ)值所在位置

針對驗證集獲得的各模型ROC曲線(圖3)顯示,CNN模型鑒別肺癌腦轉移與乳腺癌腦轉移的AUC為0.90,在8個模型中最高(表2);DeLong檢驗顯示CNN模型的AUC與SGD(Z=3.28)、DT(Z=0.69)、RF(Z=0.69)及ET(Z=1.41)的AUC差異均有統計學意義(P均<0.05),與SVM、KNN及LR模型的AUC差異均無統計學意義(P均>0.05)。

圖3 8種影像組學模型鑒別驗證集肺癌與乳腺癌腦轉移的ROC曲線

表2 各模型鑒別驗證集肺癌與乳腺癌腦轉移的效能

3 討論

對于腦轉移癌患者,準確判斷原發腫瘤并適當實施全身治療是改善預后的關鍵[9-10]。MRI中,腦轉移癌多呈不均勻長T1長T2信號,增強后多呈環狀強化,其內多見囊變壞死,部分合并瘤內出血,周圍水腫帶雖具一定特異性,但與以上所述均為轉移癌的共同特征,對于鑒別來源價值有限[11]。通過影像組學技術提取的影像組學特征可通過量化圖像信息而實現腫瘤分類[12-15]。研究[16-17]表明,基于腦部MRI提取拉普拉斯-高斯變換特征的可重復性和再現性均較好。

本研究基于肺癌及乳腺癌腦轉移患者顱腦T1CE篩選出3個基于拉普拉斯-高斯變換提取的圖像紋理特征(log-sigma-3-0-mm-3D_glszm_High Gray Level Zone Emphasis、log-sigma-4-0-mm-3D_glcm_Cluster Shade、log-sigma-4-0-mm-3D_glszm_Small Area High Gray Level Emphasis)和2個基于小波變換的紋理特征(wavelet-HHH_glszm_Size Zone Non-Uniformity Normalized、wavelet-LLH_ngtdm_Contrast),其中1個為灰度共生矩陣(gray level cooceurence matrix, GLCM)特征、3個灰度區域大小矩陣(gray level size zone matrix,GLSZM)特征、1個鄰域灰度差矩陣(neighbouring gray tone difference matrix, NGTDM)特征。GLCM可描述圖像變化幅度、相鄰間隔、方向等方面信息。GLSZM描述同質性區域的特征,以全局及局部尺度反映腫瘤異質性,可用于評估肺癌腦轉移病理類型[15]。NGTDM則反映體素間的差異。

近年多采用傳統機器學習算法建立模型,基于MRI影像組學判斷腦轉移癌原發灶[12-14];但傳統機器學習算法對部分影像組學特征讀取不充分,影響其診斷效能。本研究基于顱腦T1CE提取5個最優特征,分別以深度學習CNN算法和7種常用傳統機器學習算法構建模型;ROC曲線結果顯示,8種模型中,CNN鑒別驗證集肺癌與乳腺癌腦轉移的AUC最高,達0.90,提示以CNN算法建模鑒別肺癌與乳腺癌腦轉移的效能優于傳統機器學習算法。分析可能原因:深度學習使用多層感知器學習深層特征,可自動優化擬合模型;T1CE可清晰顯示腫瘤內血管及腫瘤血供程度,提取的影像組學信息更為豐富、準確。

綜上所述,基于顱腦T1CE構建的CNN模型可有效鑒別肺癌與乳腺癌腦轉移。但本研究數據來自單中心,且樣本量有限,有待納入多中心大樣本數據作為外部驗證集進一步觀察。