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)