|
《Artificial Intelligence in Medicine》杂志 2020年7月刊载台北阳明大学和台北荣总的Wei-Kai Lee, Chih-Chun Wu, Cheng-Chia Lee, 等联合撰写的《将MR图像多参数分析结合到卷积神经网络:前庭神经鞘瘤治疗计划的精确靶区勾画。Combining analysis of multi-parametric MR images into a convolutional neural network: Precise target delineation for vestibular schwannoma treatment planning》（doi: 10.1016/j.artmed.2020.101911.）。 借助磁共振成像对前庭神经鞘瘤(VS)进行人工勾画对于诊断、放射外科治疗剂量计划和随访肿瘤体积测量都是必要的。一种快速而客观的自动分割方法是必需的，但是由于标准扫描方案与MR扫描方案的平面分辨力较低，并且由于一些患者的肿瘤内存在不均匀的囊性区域，因此遇到了一些问题。 前庭神经鞘瘤(VS)，又称听神经瘤，是一种颅内良性肿瘤，在内耳道生长缓慢，并延伸至桥脑-小脑角。有时会发现较大的肿瘤压迫脑干和小脑。随着时间的推移，肿瘤的生长会导致逐渐的听力障碍、耳鸣、头晕、晕厥、三叉神经病变和面瘫。治疗VS的主要选择是手术切除和立体定向放射外科治疗。对中小型(<2.5厘米）肿瘤通常采用放射外科治疗，以控制肿瘤生长。当肿瘤较大时，首选手术切除。 伽玛刀放射外科(GKRS)就是这样一种放射外科技术，经常被使用。对于GKRS，基于立体定向磁共振(MR)图像准确勾画肿瘤是实现精确放射治疗的第一步。通过使用一系列不同的扫描参数设置，MR图像提供了多种软组织类型和病变的可区分的图像对比。此类图像对颅内肿瘤的诊断、治疗计划及随访具有重要作用。目前，前庭神经鞘瘤（VS）的MR协议主要涉及使用T1加权对比度增强(T1W + C)和T2-加权 (T2W)图像;这使医生能够确定肿瘤的位置，进行肿瘤体积测量，并确定治疗反应。根据不同的MR图像参数，前庭神经鞘瘤（VS）通常表现为均匀的实体瘤，在T1W + C图像上强化；然而，VS也可包含囊性部分，在T1W + C图像上表现为无强化的低信号区域，而在T2W图像上为高信号区域。在GKRS计划或随访肿瘤体积测量期间，由经验丰富的神经外科医生和神经放射影像科医生手工勾画肿瘤区域轮廓;这是通过反复查看不同参数MR图像，即各种T1加权(T1W)、T1W + C和T2W图像，以确定需要提供的治疗区域和剂量。虽然受过良好训练的神经外科医生和神经放射影像科医生能够成功地勾画出肿瘤的轮廓，但一定程度的主观标注（ subjective annotation）是不可避免的。此外，这个过程非常耗时。 在本研究中，我们的目的是开发一个系统，从MR图像自动分割VSs，以减少医师在GKRS计划中勾画肿瘤轮廓和测量肿瘤体积时所需要的努力。在一篇关于MR图像自动VS分割的文献综述中，Elizabeth等提出了基于T1W + C图像强度概率统计的贝叶斯部分体积分割可以用于改进VS体积测量;但是，为了达到成功，这种方法必须结合其他的分割方法。近年来，卷积神经网络(CNNs)等深度学习技术被广泛应用于图像识别和语义图像分割；这种网络能够自动学习卷积内核，从而产生有效的特征图进行分类。在医学影像研究领域，这类方法已被许多团体采用。许多先进的卷积神经网络(CNNs)架构可以用于医学图像分割，如全卷积网络(FCNs)和U- net已经开发出来。然而，大多数提出的三维结构分割图像使用各向同性体素大小，这些可能不兼容大多数临床MR图像的前庭神经鞘瘤（VS），其通过平面分辨率较低的平面内(各向异性体素大小)分辨率。Wang和Shapey等人(2019)提出了2.5D U-Ne，然后使用额外的空间注意图来论证CNN建模在使用各向异性T1W + C和T2W MR图像分割VSs时的可行性。多参数图像对肿瘤分割的重要性在BraTS(国际医学图像计算和计算机辅助干预会议[MICCAI]上的一个挑战)中得到了证明，在BraTS中，一个目标会遇到多个亚区域。此外，一些研究已经证明了多参数MR图像在早期预测癌症治疗反应时的优势。因此，这促使我们同时使用不同参数的MR图像作为基于卷积神经网络(CNNs)的训练输入，以帮助捕获肿瘤的不均匀部分。 在本研究中，我们回顾性收集了516例前庭神经鞘瘤（VS）患者的多参数MR图像;这些都是从伽玛刀放射外科计划系统中提取的，包括T1 -加权(T1W)、T2 -加权(T2W)和T1W对比(T1W + C)图像。我们通过一个自动预处理途径（automatic preprocessing pipeline）开发了一种基于端到端深度学习的方法（end-to-end deep-learning-based method ）。采用包含两种卷积内核(即3 x3x1 和1x1x3)的双路径U-Net模型提取各向异性MR图像的结构平面内特征和层面之间的特征。为了进行比较，还开发了一个单路径模型，该模型采用了与双通道模型相同的架构，但使用的内核大小为3x3 x3。此外，我们使用不同图像对比度的多参数MR图像作为模型训练输入，以有效地分割实性和囊性部分的肿瘤。自动分割结果表明:(1)双路径模型在骰子分数(dice scores)上优于单路径模型(0.90+0.05 相比0.87+0.07);他们两人被训练使用T1W, T1W + C和T2W各向异性MR图像,(2)最优单参数双路径模型(骰子得分:0.88 + 0.06)然后使用T1W + C图像训练,和(3)使用双参数（bi-parametric） (T1W + C和T2W)和三参数（tri-parametric） (T1W、T2W和T1W + C)图像的双路径模型训练胜过使用单参数（T1W + C)图像的模型训练(骰子分数分别为:0.89 + 0.05和0.90+ 0.05；大于0.88+ 0.06)，因为该方法对肿瘤非均质部分的分割得到了改善。 在分割各向异性MR图像时，双路径U-Net模型优于单路径U-Net模型。多参数模型有效地改进了单参数模型将非均质性肿瘤分离为实性和囊性部分的分割缺陷。 |
|
|
