發(fā)布日期：2017-11-02
發(fā)生于間葉組織的惡性腫瘤稱為“肉瘤”（sarcoma）。Sarcoma一詞來源于希臘單詞，意為“肉質(zhì)生長”。肉瘤主要分為兩種：骨肉瘤與軟組織肉瘤。骨肉瘤是一種危害極大的原發(fā)性惡性骨腫瘤，早期發(fā)病癥狀與其他骨損傷類似，如不能及時發(fā)現(xiàn)并給予相應治療，極易發(fā)生肺轉(zhuǎn)移，一旦發(fā)生肺轉(zhuǎn)移，治愈希望就會大大減少。
目前，骨肉瘤疑似病例診斷步驟為體檢→影像學檢查→病理檢查。計算機斷層成像（CT）是骨肉瘤影像學檢查的必要手段之一，可較好地顯示皮質(zhì)破壞界限以及三維解剖情況。根據(jù) CT 影像精確勾畫腫瘤區(qū)域，醫(yī)生可制定更合理的放化療或手術方案。然而，人工勾畫腫瘤區(qū)域耗時長，工作量極大。而且不同的醫(yī)生對腫瘤區(qū)域的勾畫結果受其主觀經(jīng)驗、環(huán)境等諸多因素影響，勾畫結果的可重復性差。因此，需要研發(fā)一種可以自動分割腫瘤區(qū)域的方法。
但是，骨肉瘤 CT 圖像自動分割面臨這諸多挑戰(zhàn)：（1）骨肉瘤不僅位于骨上，還會侵襲骨周圍軟組織及關節(jié)處的肌肉組織。因此骨肉瘤內(nèi)灰度及紋理等分布不均勻，且腫瘤組織與其周圍正常組織的灰度差異很小，腫瘤邊緣模糊不清（如圖 1 所示）。（2）不同的病人的腫瘤形態(tài)特征及位置各異。（3）不同醫(yī)院的成像設備及成像參數(shù)各異，導致不同醫(yī)院的病人影像存在差異。
圖1. 骨肉瘤CT圖像及腫瘤區(qū)域邊界（紅色實線）。第一行是骨肉瘤CT圖像，第二行是腫瘤區(qū)域邊界勾畫結果。從左至右三列分別為腫瘤位于肌肉組織、骨及混合型病灶。
日前，中科院蘇州醫(yī)工所醫(yī)學影像室提出了一種自動分割腫瘤區(qū)域的方法，叫做基于多監(jiān)督全卷積神經(jīng)網(wǎng)絡的骨肉瘤圖像分割方法（Multiple Supervised Fully ConvolutionalNetworks, MSFCN）?？蒲腥藛T運用這種方法訓練出了一個計算機人工智能小助手，這個小助手通過向經(jīng)驗豐富的放射科醫(yī)生學習腫瘤區(qū)域邊界勾畫方法，從而能夠自動完成腫瘤區(qū)域勾畫，減輕醫(yī)生的負擔。同時，由于機器沒有感情，不會受到心情或環(huán)境因素的影響，所以提高了腫瘤區(qū)域勾畫的可重復性。
這個方法聽起來很長，其實主要就兩個關鍵點：第一，多監(jiān)督；第二，全卷積神經(jīng)網(wǎng)絡。所謂“多監(jiān)督”，計算機從多個細節(jié)層面上去“學習”放射科醫(yī)生的勾畫方法。而“全卷積神經(jīng)網(wǎng)絡”，是指計算機可以接受任何尺寸的圖像作為輸入，直接輸出與原圖同樣大小的分割圖，不需要任何后處理步驟。
MSFCN方法就是基于全卷積神經(jīng)網(wǎng)絡的框架，添加了多個有監(jiān)督的邊輸出層，每個邊輸出層都可以通過對比金標準（標準答案）進行損失函數(shù)計算得到損失值，然后反向傳播損失值信息，進而指導神經(jīng)網(wǎng)絡進行多尺度特征的學習，從而同時獲得圖像的局部特征和全局特征，在網(wǎng)絡的采樣上更多的保留了圖像中的相關關聯(lián)信息。最后，科研人員用一個帶有權重的融合層將分類結果融合，得到最終的腫瘤分割邊界結果。
實驗結果表明，相對于全卷積神經(jīng)網(wǎng)絡等其他先進算法，這個方法在相似性、敏感度等多方面指標都有更好的適應性和評估效果。相關研究結果發(fā)表在 Computer Methods and Programs in Biomedicine 雜志上（https://doi.org/10.1016/j.cmpb.2017.02.013）。
圖2. 混合型骨肉瘤 CT 圖像分割結果。1~4行是4個不同的樣本。（a）金標準（標準答案）：由經(jīng)驗豐富的放射科醫(yī)生勾畫的腫瘤區(qū)域邊界（紅線）；（b）~（e）分別為FCN，U-Net，HED，MSFCN幾種算法的分割結果，腫瘤區(qū)域邊界以不同顏色的實線表示。從圖中可以看到，與其他算法分割出的圖案相比，MSFCN方法邊界圓滑，與“標準答案”的吻合度最高。
除了用于輔助醫(yī)生制定放化療或手術方案外，MSFCN方法還可以用在加速影像組學、影像學標記物構建等這些醫(yī)學影像輔助診斷分析方法方面（圖3）。
圖3. 影像組學分析/影像學標記物構建方法流程：首先，科研人員對醫(yī)學影像進行腫瘤區(qū)域分割，得到腫瘤區(qū)域；然后，從腫瘤區(qū)域提取出灰度、形狀等這些影像特征；最后，分析這些影像特征與臨床數(shù)據(jù)信息的關系，從而構建起預測模型。
此外，蘇州醫(yī)工所醫(yī)學影像室還在腫瘤治療效果的早期預測方面做了研究，提出了一種DCE-MRI容積轉(zhuǎn)移常數(shù)（Ktrans）體素分析方法。
科研人員利用放化療前、放化療早期（兩周）軟組織肉瘤患者的DCE-MRI影像數(shù)據(jù)，以及放化療結束后手術病理確認得到的腫瘤細胞壞死率（TCNR）進行研究?？蒲腥藛T將放化療前與放化療早期的DCE-MRI影像對齊，然后基于勾畫好的腫瘤區(qū)域，構建基于體素的腫瘤區(qū)域Ktrans變化圖，然后根據(jù)這個圖計算出腫瘤區(qū)域Ktrans顯著增加、顯著減少和無明顯變化的體積分數(shù)（F+,F-和F0），將這三個體積分數(shù)作為療效的預測指標。進而對療效早期預測指標的效果進行評估（圖4）。
圖4.不同療效病例的體素分布圖，由a到d治療效果依次減弱，由圖可直觀地看出，藍色區(qū)域越多或綠色區(qū)域越少，則治療效果越差。由a到d，F(xiàn)0依次減少（綠色區(qū)域），F(xiàn)-依次增加（藍色區(qū)域），TCNR依次減少，療效依次降低。
實驗結果表明，該方法生成的體積分數(shù)F-和F0的療效預測能力優(yōu)于目前傳統(tǒng)的腫瘤療效評估指標。此外，實驗結果可由腫瘤血管正?；碚摻忉專哂休^好的臨床意義。相關研究結果發(fā)表在European Journal of Radiology雜志上（https://doi.org/10.1016/j.ejrad.2017.08.021）。
來源：中國科學院蘇州生物醫(yī)學工程技術研究所
來源：中科院之聲（微信號 zkyzswx）
