馬明明，張耀峰，王祥鵬，張曉東，秦乃姍，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

女性乳腺癌現(xiàn)已超過肺癌成為2020年全球發(fā)病率最高的癌癥，每年估計有230萬例新增病例，占所有癌癥病例的11.7%［1］。磁共振成像（magnetic resonance imaging，MRI）可用于乳腺癌高?；颊叩脑\斷、術(shù)前分期、化療效果監(jiān)測、乳腺假體植入物評估等［2］。乳腺M(fèi)RI背景實(shí)質(zhì)強(qiáng)化（background parenchymal enhancement，BPE）是乳腺動態(tài)對比增強(qiáng)MRI（dynamic contrast enhanced MRI，DCE-MRI）時正常乳腺纖維腺體組織（fibroglandular tissue，F(xiàn)GT）的強(qiáng)化區(qū)域，BPE水平與乳腺癌的發(fā)生密切相關(guān)［3］，也可用于新輔助化療治療效果的預(yù)測［4］。為了實(shí)現(xiàn)BPE的標(biāo)準(zhǔn)化定量，在臨床工作中放射科醫(yī)師根據(jù)乳腺影像報告和數(shù)據(jù)系統(tǒng)（Breast Imaging Reporting and Data System，BIRADS）對BPE進(jìn)行分類［5］，將BPE分為極小、輕度、中度、顯著4類。BPE的主觀視覺評估容易出現(xiàn)觀察者之間和觀察者內(nèi)的差異，因此需要更客觀、簡便的方法來評估BPE。

目前，深度學(xué)習(xí)技術(shù)已應(yīng)用于乳腺M(fèi)RI中FGT的分割［6］和強(qiáng)化體積的計算［7］，但關(guān)于BPE分類的研究很少。北京大學(xué)第一醫(yī)院已經(jīng)完成了基于U-Net深度學(xué)習(xí)模型對乳腺DCE-MRI圖像中乳房和乳腺癌強(qiáng)化病灶的自動分割［8］，本研究進(jìn)一步探討基于深度學(xué)習(xí)和閾值分割方法對BPE進(jìn)行自動分類的可行性，并將BPE分類結(jié)果自動接入到結(jié)構(gòu)化報告系統(tǒng)中，未來擬自動完成BPE的客觀定量，并將BPE定量應(yīng)用于乳腺癌化療效果預(yù)測的研究。

1 資料和方法

1.1 研究對象

收集2010年1月1日—2018年10月30日于北京大學(xué)第一醫(yī)院接受乳腺DCE-MRI檢查的患者的影像學(xué)資料，共納入547例患者，患者均為女性，年齡22～82歲，平均年齡（52.3±11.6）歲。納入標(biāo)準(zhǔn)：① 所有患者均使用相同的標(biāo)準(zhǔn)MRI掃描方案，圖像質(zhì)量合格；② 乳腺腫瘤標(biāo)本（活檢或手術(shù)）病理學(xué)檢查結(jié)果為惡性；③ 患者未接受任何治療（包括手術(shù)、化療、放療等）。排除標(biāo)準(zhǔn)：① 假體植入術(shù)后；② 乳腺內(nèi)極少FGT（幾乎全是脂肪）；③ 雙側(cè)乳腺癌患者。由2名高年資放射科醫(yī)師（A和B）共同讀片，根據(jù)第5版BI-RADS對健側(cè)BPE進(jìn)行4分類并作為金標(biāo)準(zhǔn)。BPE分類標(biāo)準(zhǔn)如下［9］：① 極小，＜25%FGT的強(qiáng)化；② 輕度，25%～50%FGT的強(qiáng)化；③ 中度，50%～75%FGT的強(qiáng)化；④ 顯著，＞75%FGT的強(qiáng)化。

本研究經(jīng)過醫(yī)院倫理審查委員會的批準(zhǔn)，研究工作按照北京大學(xué)第一醫(yī)院人工智能（artificial intelligence，AI）模型訓(xùn)練規(guī)范進(jìn)行。

1.2 用例定義

根據(jù)北京大學(xué)第一醫(yī)院AI訓(xùn)練管理方法，首先定義研發(fā)乳腺M(fèi)RI圖像上BPE分類模型的用例。包括模型的ID、臨床問題、場景描述、模型在臨床工作中的調(diào)用流程、模型輸入及輸出數(shù)據(jù)結(jié)構(gòu)等。AI模型返回結(jié)果為BPE分類“極小、輕度、中度、顯著”。BPE分類模型預(yù)測結(jié)果返回到結(jié)構(gòu)化報告中的“背景強(qiáng)化”模塊（圖1）。

圖1 本研究簡要流程圖

1.3 圖像采集

采用美國GE公司的Signa Excite HD 1.5 T MRI掃描儀，使用4通道雙穴乳腺線圈行乳腺M(fèi)RI檢查。掃描序列包括軸位T1加權(quán)成像（T1-weighted imaging，T1WI）、壓脂T2加權(quán)成像（T2-weighted imaging，T2WI）、彌散加權(quán)成像（diffusion-weighted imaging，DWI）及DCE。其中DCE的參數(shù)如下：重復(fù)時間（repetition time，TR）為3.9 ms，回波時間（echo time，TE）為1.7 ms，層厚1.4 mm，層間距0 mm，視野36 cm×36 cm，矩陣320×320。靜脈注射釓對比劑0.2 mmol/kg，注射速率2 mL/s，隨后使用20 mL生理鹽水沖管。注射同時開始掃描，每個時相掃描時間為55 s，共掃描9個時相。

1.4 數(shù)據(jù)處理和圖像分割

將DICOM圖像轉(zhuǎn)換為NiFTI格式。由1名高年資放射科醫(yī)師使用ITK-SNAP軟件標(biāo)注100個數(shù)據(jù)的FGT區(qū)域，訓(xùn)練分割模型。以本單位既往訓(xùn)練好的U-Net 3D模型分割乳房作為掩膜（mask）［11］，進(jìn)一步訓(xùn)練FGT分割模型。使用547個數(shù)據(jù)進(jìn)行外部驗(yàn)證，分別為262個左側(cè)FGT和285個右側(cè)FGT（圖2）。以DCE-MRI第一期圖像為基線，使用上述模型分割得到基線FGT的體積。

圖2 訓(xùn)練乳腺FGT U-Net 3D分割模型的流程及主要參數(shù)

1.5 BPE分類模型計算

以增強(qiáng)掃描第三期圖像和基線圖像做減影，得到DCE-sub圖像。在DCE-sub圖像上對547個數(shù)據(jù)的BPE進(jìn)行閾值分割，取全圖中信號強(qiáng)度＞50%區(qū)域?yàn)锽PE（圖3）。最后計算BPE體積與基線FGT體積的比值，公式：BPE比值=BPE體積/基線FGT體積×100%。根據(jù)BPE比值分為4類：極?。ǎ?5%）；輕度（25%～50%）；中度（50%～75%）；顯著（＞75%）。

圖3 典型病例1～4（4類BPE強(qiáng)化類型的乳腺癌）MRI圖像、FGT和BPE標(biāo)簽

1.6 模型效能評價

對乳腺FGT分割效果的評價指標(biāo)為Dice相似性系數(shù)（Dice similarity coefficient，DSC）。對乳腺BPE分類結(jié)果的評價使用多分類混淆矩陣，計算其準(zhǔn)確度、F1評分和Kappa值。

2 結(jié) 果

2.1 FGT分割模型的效果評價

FGT分割模型的平均DSC為0.902，模型預(yù)測FGT區(qū)域與高年資醫(yī)師標(biāo)注區(qū)域一致性高。

2.2 BPE分類模型的定量計算

BPE分類的混淆矩陣和診斷效能見表1、2。

表1 BPE分類混淆矩陣

表2 BPE分類的診斷效能

3 討 論

乳腺M(fèi)RI增強(qiáng)檢查已被廣泛應(yīng)用于乳腺癌診斷、化療效果評估，其不僅提供了腫瘤的形態(tài)學(xué)信息，還可提供定量的功能信息。BPE是乳腺癌風(fēng)險和新輔助化療（neoadjuvant chemotherapy，NAC）效果評估的主要參數(shù)之一［3-4］。本研究使用U-Net 3D分割模型對乳腺M(fèi)RI中基線FGT區(qū)域進(jìn)行分割，并利用閾值分割技術(shù)得到增強(qiáng)后圖像中BPE區(qū)域，通過計算二者的體積之比來定量評估BPE的4分類。既往Ha等［10］已經(jīng)提出關(guān)于使用全卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）方法量化乳腺M(fèi)RI中FGT和BPE，但是BPE采用了手動標(biāo)注的方法，標(biāo)注工作量大，且測試集中FGT和BPE的準(zhǔn)確度分別為0.813和0.829。本研究與前人比較，相同之處是也使用了深度學(xué)習(xí)方法。不同之處有兩點(diǎn)：第一，本研究中BPE為程序自動分割，操作簡便，并且結(jié)果優(yōu)于前人，F(xiàn)GT分割的DSC值達(dá)0.902，BPE分類準(zhǔn)確度達(dá)0.95；第二，本研究的結(jié)果可自動分類接入到結(jié)構(gòu)化報告中，對醫(yī)學(xué)影像工作流程優(yōu)化有益。

本研究提出的BPE自動分類方法整體準(zhǔn)確度較高，但是從混淆矩陣中可以看出BPE的4種類型的數(shù)據(jù)不均衡，這是由本組數(shù)據(jù)的性質(zhì)決定的。本組數(shù)據(jù)BPE自動分類結(jié)果提示中度強(qiáng)化類與人工分類差別較大，其錯誤分類發(fā)生在較輕強(qiáng)化類別中，大部分發(fā)生在相鄰類別的輕度分類。分析其可能原因有以下兩個方面。一方面，本研究以人工分類為參考標(biāo)準(zhǔn)，且由2名醫(yī)師共同讀片，雖然分類的把握度較高，但仍可能存在主觀偏差。本研究中醫(yī)師通過在影像存儲與傳輸系統(tǒng)（picture archiving and communication system，PACS）工作站上連續(xù)翻動圖像獲取BPE的三維印象，對于輕度、輕-中度、中度之間的判定可能有一定誤差。另一方面，本研究中使用固定閾值分割BPE體積，研究結(jié)果表明大部分患者使用固定閾值是可行的，但可能個別患者需要使用有針對性的閾值方能準(zhǔn)確地分割BPE體積。上述誤差在臨床實(shí)際工作中是可以糾正的，我們的工作流程是DCE-MRI掃描完成后，程序自動對BPE進(jìn)行分類并輸入到結(jié)構(gòu)化報告中，醫(yī)師打開報告確認(rèn)BPE分類是否正確，基于目前的結(jié)果可知，僅極少數(shù)病例的BPE自動分類結(jié)果需要醫(yī)師修改，絕大多數(shù)病例的BPE自動分類結(jié)果不需要醫(yī)師修改，直接接受即可。這種流程既可以提高醫(yī)師的工作效率，又可以保證最終報告的準(zhǔn)確性。

本研究的局限性在于以下幾個方面。① 納入對象僅為乳腺癌初診患者，有研究［4］表明，通過定量評估NAC前后DCE-MRI中BPE的變化可反映NAC效果。因此，今后BPE相關(guān)研究應(yīng)同時納入NAC前后患者，為后續(xù)預(yù)測NAC效果做準(zhǔn)備。② 本研究以2名高年資放射科醫(yī)師共同對BPE實(shí)施的分類結(jié)果作為金標(biāo)準(zhǔn)，而醫(yī)師評估的不一致性很常見［11］。為了使BPE分類標(biāo)準(zhǔn)更加可靠，將來需要對觀察者一致性進(jìn)行評估。③ 本研究排除了乳腺內(nèi)極少FGT的數(shù)據(jù)，由于此類數(shù)據(jù)乳房內(nèi)幾乎無FGT，BPE計算可能不準(zhǔn)確。為了適用于復(fù)雜的臨床實(shí)際工作場景，后續(xù)研究應(yīng)針對不同F(xiàn)GT含量的患者進(jìn)行分層分析。④ 本研究選擇了一個固定閾值分割BPE，這是根據(jù)經(jīng)驗(yàn)選擇的，后續(xù)研究需要選用個性化的動態(tài)閾值進(jìn)行定量計算BPE。最后，所有研究是在同一機(jī)構(gòu)的磁共振設(shè)備進(jìn)行的，未來應(yīng)使用多中心的數(shù)據(jù)對模型進(jìn)行驗(yàn)證。

總之，基于U-Net深度學(xué)習(xí)模型和閾值分割技術(shù)對BPE進(jìn)行自動分類的準(zhǔn)確度高，有可能應(yīng)用于臨床實(shí)踐，也有可能用于探索BPE與NAC效果的相關(guān)性研究。