應用深度學習進行基于前列腺癌轉移報告和數據系統指南的晚期前列腺癌盆腔外臟器及轉移灶分割

劉想，曲別雪蕾，吳靜云，吳鵬升，張曉東，王霄英*

1.北京大學第一醫院醫學影像科，北京 100034；2.武警四川省總隊醫院醫學影像科，四川 樂山 614000；3.北京賽邁特銳醫學科技有限公司，北京 100011；

晚期前列腺癌患者常發生遠處轉移，而不同轉移情況的治療策略也不同，因此，全面、準確地評估前列腺癌患者的遠處轉移十分重要[1-2]。前列腺癌轉移報告和數據系統（metastasis reporting and data system for prostate cancer，MET-RADS-P）是由多學科專家組基于全身MRI 制訂的評估晚期轉移性前列腺癌全身情況及臨床治療效果的指南[3-4]。該指南將前列腺癌全身轉移部位分為4 組14 個區域，包括：①淋巴結3 個區域；②臟器3 個區域；③前列腺局部病灶1 個區域；④骨骼7 個區域[5]。然而在臨床工作中，全身多區域轉移灶的檢出及評估仍存在一定困難，且需要耗費大量時間?；谏疃葘W習的區域及轉移灶自動分割方法有望簡化評估過程，提高影像醫師的讀片效率[6-8]。本團隊前期已完成了在擴散加權成像（DWI）序列上基于深度學習進行前列腺癌患者盆腔范圍內骨質結構、骨轉移灶及淋巴結的分割[9-11]。本研究嘗試基于深度學習進行盆腔外的區域分割及轉移灶分割，以期為后續前列腺癌全身轉移療效評估奠定基礎。

1 資料與方法

1.1 研究對象 按照掃描部位（頭部、頸部、胸部、腹部）回顧性收集北京大學第一醫院2017年1月—2022年1月經病理證實的惡性腫瘤且臨床綜合診斷存在全身轉移灶的479例患者，最終納入研究的4組數據集包括頭部轉移68例，頸部轉移91例（頸椎轉移瘤4例、淋巴結轉移77例、多部位轉移10例），胸部轉移57例（包括肺轉移瘤16例、胸椎轉移瘤18例、縱隔淋巴結轉移21例、多部位轉移瘤2例），腹部轉移263例（包括肝轉移186例、腹膜后淋巴結轉移13例、腰椎轉移瘤6例、腎上腺轉移3例、多發轉移瘤55例）。4組數據集用于掃描范圍的分類模型及不同區域和轉移灶的分割模型訓練。

另收集2017年1月—2022年1月經病理證實為前列腺癌，且在此期間行全身MRI的患者144例，排除轉移灶切除患者23例；轉移灶定位不明確患者9例；掃描不規范（包括掃描范圍不足、圖像序列缺失等）患者12例；圖像質量不佳（包括各類偽影如呼吸偽影、運動偽影及化學位移偽影等，圖像信噪比低等）患者10例。最終共90例前列腺癌患者的全身MRI納入研究并用做分類及分割模型的外部驗證。本研究經北京大學第一醫院倫理委員會批準（2020-170）。

1.2 掃描參數模型 訓練及外部驗證數據集中的MRI 圖像來源于3 臺3.0T MRI（Achieva，Philips Healthcare；Discovery MR750，GE Healthcare；Intera，Philips Healthcare），主要掃描序列包括軸位T1WI、軸位T2WI、DWI及DCE序列，并根據DWI序列自動重建表觀擴散系數（ADC）圖像。DWI序列為本研究的研究對象，不同掃描部位的DWI掃描參數見表1。

表1 不同3.0T MRI各部位的DWI參數

1.3 掃描部位分類 本研究納入的外部驗證數據集為前列腺癌患者的全身DWI掃描，因此在進行區域分割及轉移灶分割前應先進行不同掃描部位的自動分類（圖1）。按照臨床實踐規則，將圖像范圍分為4個類別，定義如下：頭部：從顱頂到顱底；頸部：從顱底到鎖骨，肺尖可見，縱隔不可見；胸部：從肺尖到膈面，全肺可見；腹部：從膈面到髂嵴，肝臟可見，膀胱未見。

圖1 不同掃描部位的自動分類

1.4 模型訓練 訓練3D-ResNet[12]深度學習分類模型用于全身DWI掃描范圍的分類。首先將模型訓練數據集中的479例不同部位DWI數據按照8∶1∶1隨機分為訓練集383例、調優集48例和測試集48例。模型訓練過程中，輸入圖像大小為256×256，輸出數據為對模型分類的預測結果。圖像擴增方法包括0～10°以內的水平及垂直旋轉，上下、左右隨機平移的最大幅度為圖像大小的10%。使用Adam（https://arxiv. org/abs/1412.6980）作為訓練優化器。模型訓練時批尺寸設定為4，學習率為0.001，訓練迭代次數設置為300個周期。

1.5 數據標注 根據MET-RADS-P指南的分區，對不同部位的解剖結構及轉移灶進行標注，主要包括，①頭部DWI：腦實質、腦轉移灶；②頸部DWI：頸椎、頸部轉移灶；③胸部DWI：雙肺實質、縱隔、胸椎、胸部轉移灶；④腹部DWI：肝、腰椎、腹部轉移灶。其中轉移灶在DWI圖像呈明顯高信號且相應ADC圖為低信號（圖2）。

圖2 不同部位解剖結構及轉移灶標注。A～C：頭部標注。A：DWI原圖；B：腦實質標注；C：腦轉移灶標注；D～F：頸部標注。D：DWI原圖；E：頸椎標注；F：頸部轉移灶標注；G～K：胸部標注。G：DWI原圖；H：肺實質標注；I：縱隔標注；J：胸椎標注；K：肺轉移灶標注；L～O：腹部標注。L：DWI原圖；M：肝實質標注；N：腰椎標注；O：肝轉移灶標注

標注前將所有DICOM格式的DWI圖像轉換為NIFTI格式。由1名影像科住院醫師（讀片經驗3年）使用ITK-SNAP 3.6.0軟件在DWI圖像上對臟器及轉移灶進行標注；再由1位影像科專家（讀片經驗≥15年）對標注進行修改確認。以確認后的圖像標簽作為評估分割模型的“金標準”。

1.6 分割模型訓練 采用3D U-Net深度學習網絡[13-15]進行各部位解剖結構及轉移灶分割。顱腦分割模型包括腦實質和腦轉移灶分割；頸部分割模型包括頸椎及頸部轉移灶分割；胸部分割模型包括肺、縱隔、胸椎及胸部轉移灶分割；腹部分割模型包括肝、腰椎及腹部轉移灶分割。所有圖像數據經預處理后大小均為64×256×256（z，y，x），自動窗寬、窗位。按照8∶1∶1將不同分割模型數據隨機分為訓練集、調優集和測試集（顱腦：54∶7∶7；頸部：73∶9∶9；胸部：45∶6∶6；腹部：211∶26∶26）。各模型輸入的訓練集數據為DWI圖像和手工標注的各結構標簽，使用Adam（https://arxiv.org/abs/1412.6980）作為訓練優化器，模型訓練時批尺寸設定為1，學習率為0.000 1，訓練迭代次數設置為200個周期。

1.7 模型訓練框架 本研究的深度學習框架為PyTorch0.4.1[16-17]，Python版本3.6，所有訓練過程均在GPUNVIDIA Tesla P100 16G（https://www.nvidia.com/en-us/data-center/tesla-p100/）上完成，運行系統為ubuntu16.04，相關軟件包括Opencv 3.4.0.12、Numpy 1.16.2、Simple ITK 2.2.0等。

1.8 統計學分析 采用Prism 9.0軟件。符合正態分布的計量資料以±s表示，非正態分布的計量資料以M（Q1，Q3）表示；計數資料以例數或百分比表示；利用測試集及外部驗證數據對3D-ResNet的分類結果進行評估。以影像專家的分類結果為參考標準，使用混淆矩陣進行模型分類結果與參考標準比較，并計算模型分類的符合率。

同樣利用測試集及外部驗證數據對3D U-Net模型的分割性能進行定量評估，評估指標包括基于重合度的指標：Dice相似系數（Dice similarity coefficient，DSC）[18-19]；基于體積的指標：體積相似度（volumetric similarity，VS）[20]。三者聯合使用可以從整體重疊程度、體積以及邊緣匹配程度多方面評估分割性能。

2 結果

2.1 數據特征與分布 本研究納入的用于模型訓練的4組數據集及外部驗證數據集的患者臨床信息分布見表2。其中，腦轉移灶的原發腫瘤多為肺癌（50，73.53%），頸部轉移灶的原發腫瘤多為喉癌（35，38.46%），胸部轉移灶的原發腫瘤多為肺癌（25，43.86%），腹部轉移灶的原發腫瘤多為結腸癌（79，30.04%）。

表2 不同數據集患者臨床信息

2.2 掃描范圍 分類模型結果以掃描序列為單位統計，為掃描范圍分類模型在測試集及外部驗證數據集中的預測結果。在測試集中，分類模型在頭部、頸部、胸部和腹部的符合率分別為100%（7/7）、100%（9/9）、100%（6/6）和96.15%（25/26）。在外部驗證數據集中，分類模型在頭部、頸部、胸部和腹部的符合率分別為100%（90/90）、98.89%（89/90）、96.67%（87/90）和94.44%（85/90）。錯誤分類的情況主要包括：1個頸部DWI序列因包含部分顱底層面而被自動分類為頭部；3個胸部DWI序列因包含較多肝臟層面而被自動分類為腹部；5個腹部DWI序列因包含縱隔而被自動分類為胸部。

2.3 臟器分割 臟器分割DSC、VS值見表3，模型在測試集及外部驗證集對于不同區域的臟器均具有較好的分割性能，所有臟器分割的DSC及VS值均＞0.85。

表3 臟器分割結果（±s）

表3 臟器分割結果（±s）

注：DSC：Dice相似系數；VS：體積相似度

項目腦實質頸椎肺實質縱隔胸椎肝臟腰椎測試集DSC 0.96±0.01 0.85±0.08 0.95±0.03 0.90±0.03 0.91±0.03 0.93±0.04 0.96±0.02 VS 0.99±0.01 0.99±0.01 0.98±0.03 0.96±0.04 0.95±0.02 0.98±0.03 0.99±0.01外部驗證集DSC 0.99±0.01 0.97±0.03 0.96±0.05 0.86±0.10 0.96±0.05 0.94±0.06 0.94±0.02 VS 0.99±0.01 0.99±0.01 0.96±0.01 0.89±0.10 0.97±0.04 0.96±0.04 0.94±0.07

2.4 轉移灶分割 不同部位轉移灶分割DSC、VS見表4。模型在測試集及外部驗證集的臟器分割DSC及VS值均＞0.65。

表4 不同部位轉移灶分割結果（±s）

表4 不同部位轉移灶分割結果（±s）

注：DSC：Dice相似系數；VS：體積相似度

項目頭部轉移灶頸部轉移灶胸部轉移灶腹部轉移灶測試集DSC 0.75±0.07 0.70±0.12 0.68±0.13 0.71±0.11 VS 0.79±0.12 0.75±0.16 0.77±0.13 0.83±0.13外部驗證集DSC --0.65±0.07 0.72±0.13 VS --0.74±0.04 0.82±0.13

3 討論

全身MRI可突破單部位的限制，對晚期轉移性前列腺癌患者的全身腫瘤負荷、療效評估及生化復發做出精準評估[21-22]，同時，在檢測癌癥患者的骨轉移及骨外轉移方面具有極好的觀察者間一致性[23-24]。然而，復雜的評估流程限制了全身MRI在臨床上的廣泛應用。本研究嘗試應用深度學習技術自動分割前列腺癌轉移灶，以輔助影像醫師進行全身MRI評估。

本研究在進行轉移灶分割模型訓練前，基于深度學習方法建模，對全身DWI圖像做出掃描范圍的分類，結果顯示，模型對分類任務的準確度高（符合率：94.44%～100.00%），可基本達到臨床需求，與本團隊前期通過深度學習模型建立的腹盆部CT圖像范圍分類的研究結果類似[25]。

本研究在掃描范圍分類的基礎上，進一步進行不同掃描部位的臟器及轉移灶分割。結果表明，模型在測試集和外部驗證集中對不同掃描部位的臟器均具有很高的分割性能，盡管外部驗證集的腦實質及頸椎分割性能優于測試集，但其DSC及VS值均＞0.85。相較于臟器分割，不同掃描部位的轉移灶分割性能較差，其DSC值范圍在測試集為0.68～0.71，外部驗證集為0.65～0.72。其中胸部轉移灶的分割性能最低，分析其原因可能是在模型訓練中所納入的胸部轉移患者數量較少。

本研究中，為了盡可能多地納入不同區域的轉移灶特征，所收集的模型訓練數據集包括前列腺癌在內的多種原發病灶的轉移瘤；而在外部驗證數據集中僅有晚期轉移性前列腺癌患者。本研究結果顯示，模型在測試集及外部驗證數據集中的分割性能相似，表明模型在分割不同原發腫瘤的轉移灶間具有較好的泛化性能。

深度學習技術目前已廣泛用于臟器及病灶的分割。謝婷婷等[26]應用深度學習技術實現了肝段的自動分割，并基于分割結果進一步為術前評估提供了指導；奈日樂等[18]進行CT圖像上腦血腫分割；陳元翀等[27]基于深度學習技術實現了腎上腺結構分割。盡管取得了較為理想的分割結果，但以上研究均為單個器官結構的分割，不同于本研究基于全身MRI所實現的全身多個臟器的分割。

本研究也存在一定局限性。第一，本研究的區域分割及轉移灶分割模型并未完全囊括MET-RADS-P指南的14個區域，主要原因是部分區域（如胸廓、顱骨等）在DWI序列的成像存在一定局限性，因此，在后續研究中，計劃納入其他序列如T1WI或T2WI，進行多序列的分割模型訓練，以進一步完善前列腺癌的全身轉移評估。第二，由于外部驗證數據集中納入的患者數量有限，轉移灶的分布存在較大的偏倚，腹部轉移患者較多，而無頭部及頸部轉移患者。第三，模型訓練數據集包括但不限于前列腺癌在內的多種原發病灶的轉移瘤；而在外部驗證數據集中僅有晚期轉移性前列腺癌患者，不同原發癌的轉移表現和好發部位存在很大差異，將非前列腺癌轉移用于訓練是該研究的主要缺陷之一。最后，本研究僅進行了不同區域臟器及轉移灶的分割模型訓練，但其對于影像醫師的臨床意義還需進一步證實。

總之，基于深度學習的3D U-Net模型可實現晚期前列腺癌患者的盆腔外區域及轉移灶分割，有望用于后續的前列腺癌全身轉移療效評估。