劉想，韓超，張耀峰，張大斗，張曉東，王霄英*

1.北京大學(xué)第一醫(yī)院醫(yī)學(xué)影像科，北京 100034；2.北京賽邁特銳醫(yī)學(xué)科技有限公司，北京 100011；*通信作者 王霄英wangxiaoying@bjmu.edu.cn

前列腺癌是老年男性常見腫瘤之一[1]。由于我國前列腺癌篩查和早期診斷尚未普及，大約50%的患者初診時已發(fā)生骨轉(zhuǎn)移[2-4]。前列腺癌骨轉(zhuǎn)移好發(fā)于骨盆、脊柱和股骨[5]。骨轉(zhuǎn)移會引起病理性骨折及脊髓壓迫等不良骨性事件，及時準(zhǔn)確地檢出前列腺癌骨轉(zhuǎn)移病灶對于減少骨并發(fā)癥的發(fā)生具有重要意義。

多參數(shù)磁共振成像（multiparametric MRI，mpMRI）對骨轉(zhuǎn)移的診斷有較高的敏感度和特異度，能準(zhǔn)確顯示轉(zhuǎn)移灶及周圍軟組織受侵犯情況。前列腺癌轉(zhuǎn)移報告和數(shù)據(jù)系統(tǒng)（METastasis Reporting and Data System for Prostate cancer，MET-RADS-P）推薦將擴散加權(quán)成像（DWI）+表觀擴散系數(shù)（ADC）用于評估骨轉(zhuǎn)移[6-9]。

本研究擬訓(xùn)練3D U-Net模型，自動分割前列腺mpMRI中DWI和ADC圖像中的骨質(zhì)結(jié)構(gòu)，并找出分割性能最佳的輸入序列組合，以期為后續(xù)骨轉(zhuǎn)移病灶的自動檢出提供定位信息。

1 資料與方法

本研究獲得本院倫理審查委員會的批準(zhǔn)（批件號：〔2017（1382）〕），按照本單位人工智能（artificial intelligence，AI）模型訓(xùn)練規(guī)范執(zhí)行研究方案。

1.1 研究數(shù)據(jù) 從本院PACS系統(tǒng)回顧性收集2019年1月—2020年1月181例前列腺癌患者的盆腔mpMRI圖像。病例納入和排除標(biāo)準(zhǔn)見圖1，最終105例患者用于模型的訓(xùn)練。盆腔mpMRI掃描設(shè)備采用3.0T GE（Discovery HD 750），DWI采集參數(shù)：b=0、800 s/mm2；TR 3 000 ms，TE 60 ms，層數(shù)25，層厚4 mm；ADC圖像由設(shè)備工作站處理生成。

圖1 病例納入流程

1.2 數(shù)據(jù)標(biāo)注 將DWI相關(guān)序列[DWI低（b=0 s/mm2）、DWI高（b=800 s/mm2）、ADC]的DICOM格式圖像轉(zhuǎn)換為Nifty格式。由1名低年資放射科醫(yī)師（閱片經(jīng)驗2年）在ITK-SNAP 3.6.0上標(biāo)注3個序列的圖像，手工調(diào)整窗寬、窗位。標(biāo)注的骨質(zhì)結(jié)構(gòu)包括腰椎、骶尾骨、雙側(cè)髂骨、雙側(cè)髖臼、雙側(cè)恥骨、雙側(cè)坐骨、雙側(cè)股骨頭、雙側(cè)股骨頸。由1名放射科專家（閱片經(jīng)驗≥15年）對標(biāo)注進(jìn)行修改確認(rèn)。

1.3 訓(xùn)練分割模型 圖像預(yù)處理參數(shù)：大小=64×160×240（z、y、x軸），自動窗寬、窗位。本研究的3D U-Net輸入為1～6種序列組合，分別為DWI低+DWI高+ADC、DWI低+DWI高、DWI高+ADC、DWI低+ADC、DWI高、ADC組合，其中每一個圖像序列設(shè)為一個單獨的輸入通道。在6個模型中所有的數(shù)據(jù)均按照8∶1∶1隨機分為訓(xùn)練集83例、調(diào)優(yōu)集11例和測試集11例。模型訓(xùn)練使用的硬件為GPU NVIDIA Tesla P100 16G，軟件為Python3.6、Pytorch 0.4.1、Opencv、Numpy、SimpleITK等，Adam為訓(xùn)練優(yōu)化器，批量大小=1，學(xué)習(xí)率=0.000 1，學(xué)習(xí)周期=300。

1.4 模型評價

1.4.1 定量指標(biāo) 使用DICE系數(shù)評估U-Net的分割性能，計算公式：DICE(A,B)=2|A∩B|/|A|+|B|，其中A是手工標(biāo)注的體素數(shù)，B是模型預(yù)測的體素數(shù)。首先計算每個骨質(zhì)區(qū)域的DICE值，再計算全部8個標(biāo)簽的平均DICE值。計算不同模型預(yù)測所得各骨質(zhì)區(qū)域的體積值（圖2），并與人工標(biāo)注比較。

圖2 最小體積包圍盒算法。用最小體積包圍盒算法測量骶骨體積。A～C分別為手工標(biāo)注骶骨左側(cè)面、正面和右側(cè)面，其余骨質(zhì)結(jié)構(gòu)體積測量方法與骶骨相同

1.4.2 定性指標(biāo) 主觀評分關(guān)注模型預(yù)測區(qū)域是否滿足臨床需求，在標(biāo)簽層面、序列層面、模型層面分別評價。由另一位高年資放射科醫(yī)師（15年以上閱片經(jīng)驗）對比模型預(yù)測結(jié)果和人工標(biāo)注結(jié)果對模型的分割性能打分。

模型分割情況見圖3。根據(jù)不同的分割情況，對模型的分割效能打分（表1），單個標(biāo)簽的評分為0～10分。序列層面的評分為該序列中所有標(biāo)簽的平均值，以>6分為達(dá)標(biāo)（無相應(yīng)標(biāo)簽時則不計算該標(biāo)簽）。模型層面的評價標(biāo)準(zhǔn)為計算測試集中全部序列的達(dá)標(biāo)率，>80%為符合臨床應(yīng)用需求。

表1 模型預(yù)測結(jié)果的主觀評分標(biāo)準(zhǔn)（標(biāo)簽層面）

圖3 模型分割可能情況。A～C為情況Ⅰ，模型預(yù)測標(biāo)簽與人工標(biāo)注標(biāo)簽定位一致，且模型預(yù)測范圍大于（A）或小于（B）人工標(biāo)注范圍，或與人工標(biāo)注范圍部分重合（C）；D～H為情況Ⅱ，模型預(yù)測標(biāo)簽與人工標(biāo)注標(biāo)簽定位不一致，包括人工標(biāo)注標(biāo)簽未被預(yù)測（D），模型預(yù)測為未被標(biāo)注的非骨質(zhì)結(jié)構(gòu)（E），錯誤的模型預(yù)測標(biāo)簽與人工標(biāo)注標(biāo)簽部分重合（F），或大于（G）或小于（H）人工標(biāo)注范圍。白色標(biāo)簽為人工標(biāo)注標(biāo)簽，有顏色的標(biāo)簽為模型預(yù)測標(biāo)簽

1.5 統(tǒng)計學(xué)方法 應(yīng)用SPSS 23.0軟件，不同數(shù)據(jù)集的年齡以±s表示，并應(yīng)用方差分析比較訓(xùn)練集、調(diào)優(yōu)集和測試集之間的年齡差異，3組間前列腺特異抗原水平和6個模型間的DICE值、模型預(yù)測與人工標(biāo)注體積值的差異以M（Qr）表示，采用Kruskal-WallisH檢驗進(jìn)行比較。不同模型達(dá)標(biāo)率比較采用χ2檢驗（Fisher確切概率法）。P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 患者基線數(shù)據(jù) 訓(xùn)練集、調(diào)優(yōu)集和測試集各組患者年齡分別為（69±8）歲、（70±6）歲、（66±7）歲，差異無統(tǒng)計學(xué)意義（F=0.961，P>0.05）；前列腺特異抗原水平分別為11.83（2.66～15.6）ng/ml、7.69（4.18～17.01）ng/ml和12.41（6.18～30.07）ng/ml，差異無統(tǒng)計學(xué)意義（H=2.226，P>0.05）。

2.2 模型定量評估

2.2.1 DICE值 測試集中各模型的DICE值均在0.7以上，且各模型預(yù)測結(jié)果的平均DICE值差異無統(tǒng)計學(xué)意義（HDWI高=2.978，PDWI高>0.05；HADC=1.140，PADC>0.05）。DWI高和ADC圖像上的髂骨、骶尾骨、股骨頭、股骨頸的平均DICE值均大于其他骨質(zhì)（P<0.001），見表2。圖4為模型1中DICE值為0.85的DWI高模型預(yù)測與人工標(biāo)注重合圖。

圖4 DWI圖像上各骨質(zhì)結(jié)構(gòu)分割結(jié)果。白色標(biāo)簽為人工標(biāo)注標(biāo)簽，有顏色的標(biāo)簽為模型預(yù)測標(biāo)簽。A.腰椎、髂骨重合圖；B.髖臼、股骨頸重合圖；C.股骨頸、坐骨、恥骨重合圖。各骨質(zhì)結(jié)構(gòu)的DICE值均在0.8以上

表2 不同模型預(yù)測各標(biāo)簽的DICE 值[M(Qr)]

2.2.2 體積差值 計算測試集中不同模型預(yù)測標(biāo)簽體積與人工標(biāo)注體積差值百分比V差值=（|模型預(yù)測體積值－人工標(biāo)注體積值|/標(biāo)簽人工標(biāo)注平均體積值）×100%，模型1的體積預(yù)測值與人工標(biāo)注值差異最小，但各模型間體積差值差異無統(tǒng)計學(xué)意義（HDWI高=2.900，PDWI高>0.05；HADC=2.236，PADC>0.05），見表3。

表3 不同模型預(yù)測各標(biāo)簽體積與人工標(biāo)注體積差[M(Qr)]

2.3 模型定性評估 模型1在DWI高和ADC的圖像分割中達(dá)標(biāo)率均最高（82%，91%），且顯著高于單序列模型（DWI高：模型1比模型5，P=0.040；ADC：模型1比模型6，P=0.012）。模型1和模型3的達(dá)標(biāo)率均>80%，且在DWI高和ADC的圖像分割中差異均無統(tǒng)計學(xué)意義（DWI高：模型1比模型3，P>0.05；ADC：模型1比模型3，P>0.05），均符合臨床應(yīng)用需求，見表4。

表4 模型層面主觀評分結(jié)果

3 討論

mpMRI廣泛應(yīng)用于診斷前列腺癌，其中DWI不僅可用于檢出腺體內(nèi)腫瘤，也常用于檢出盆腔淋巴結(jié)和骨轉(zhuǎn)移病灶[10-12]，可進(jìn)一步用于評價全身腫瘤負(fù)荷和療效[6]。基于DWI影像表現(xiàn)既可以對轉(zhuǎn)移病灶進(jìn)行定性診斷，也可在ADC圖上進(jìn)行定量測量，ADC值的大小可以直接影響前列腺癌患者的RAC分類[13-14]。本研究中訓(xùn)練了3D U-Net模型分割盆腔DWI和ADC圖像上的正常骨質(zhì)結(jié)構(gòu)，并比較不同輸入序列的組合對分割性能的影響，以期找出最佳MR序列組合用于盆腔骨質(zhì)的分割，為后續(xù)檢出骨轉(zhuǎn)移病灶打下基礎(chǔ)。

本研究結(jié)果發(fā)現(xiàn)，不同模型分割性能的定量指標(biāo)（DICE值、體積差值）均無顯著差異，但在主觀評價時可見不同模型的分割效果有一定差異，模型1達(dá)標(biāo)率最高，模型3也顯示出較好的性能，與模型1相比無顯著差異，均符合臨床應(yīng)用需求。為了兼顧效率和準(zhǔn)確性，本研究推薦使用模型3的雙序列（DWI高+ADC）為3D U-Net分割盆腔骨質(zhì)結(jié)構(gòu)的最佳組合序列。

本研究使用主觀評價和客觀評價確定模型的臨床應(yīng)用價值。通?？陀^評價指標(biāo)在不同技術(shù)研究之間具有橫向可比性，但在面對臨床研究提出的不同臨床問題時，針對性的主觀評價則更為重要，這也是本領(lǐng)域基礎(chǔ)研究和臨床研究的重要不同之處。以本研究中對骨質(zhì)分割的評價為例，因不同骨質(zhì)區(qū)域分別命名為不同的標(biāo)簽，屬于語義分割的范疇，因此客觀評價指標(biāo)使用單標(biāo)簽的DICE值、預(yù)測標(biāo)簽與人工標(biāo)簽的體積差以及連通域比較等。但鑒于髂骨與髖臼，髖臼與恥骨、坐骨，股骨頭與股骨頸之間無明確的分界標(biāo)志，對于放射科醫(yī)師及臨床醫(yī)師而言，這些區(qū)域模型分割出來即可達(dá)標(biāo)，與相鄰區(qū)域的定位偏差可以接受，不影響這些區(qū)域骨轉(zhuǎn)移瘤的檢出，因此主觀評價結(jié)果與臨床應(yīng)用價值的一致性更強。

對于較復(fù)雜的臨床任務(wù)，將其解析為不同的模型訓(xùn)練任務(wù)，每個步驟均可觀察到模型輸出結(jié)果，既能提高模型的可解釋性，又能節(jié)省訓(xùn)練資源，是臨床醫(yī)師參與模型訓(xùn)練路徑設(shè)計的價值所在。本研究采用深度學(xué)習(xí)方法檢出前列腺癌骨轉(zhuǎn)移的序貫任務(wù)之一，即先完成骨盆區(qū)域的骨質(zhì)定位，后續(xù)研究中在這些區(qū)域再檢出骨轉(zhuǎn)移瘤病灶，從而實現(xiàn)對前列腺癌骨轉(zhuǎn)移的自動分割。將來進(jìn)一步可將相關(guān)前列腺mpMRI模型整合在一起，包括前列腺體積分割、前列腺癌檢測、前列腺癌周圍侵犯、前列腺癌淋巴結(jié)轉(zhuǎn)移等模型[15]，在模型準(zhǔn)確率較高時，可以自動生成結(jié)構(gòu)化報告，提高臨床診斷的準(zhǔn)確性和效率[16]。

本研究的局限性：①本研究所收集的盆腔DWI圖像雖然掃描層數(shù)一致，但掃描范圍不一致，部分患者缺少含有恥骨結(jié)構(gòu)的層面，且恥骨本身所占圖像的體素小，導(dǎo)致模型所能學(xué)習(xí)到的有效的恥骨體素量少，從而使得模型對其分割難度較大，DICE值較低。②本研究不同骨質(zhì)的結(jié)構(gòu)是基于影像專家的臨床經(jīng)驗及解剖知識進(jìn)行標(biāo)注，髂骨、腰椎標(biāo)注的一致性很強，但是股骨頭與股骨頸的分界、髖臼與髂骨的分界、坐骨與恥骨的分界則有一定的主觀偏差。③本研究收集的數(shù)據(jù)均來自同一類型設(shè)備，未比較不同類型設(shè)備生成的圖像對于各模型分割性能的影響，將來應(yīng)獲取更多不同來源的數(shù)據(jù)進(jìn)行訓(xùn)練，以提高模型的適用性。

總之，多個序列的輸入對于3D U-Net網(wǎng)絡(luò)進(jìn)行盆腔范圍內(nèi)骨質(zhì)結(jié)構(gòu)的分割性能有顯著提升，DWI高+ADC可作為前列腺mpMRI檢查盆腔骨質(zhì)結(jié)構(gòu)分割的最佳組合序列。