European Radiology：基于MRI深度学习的脑转移自动检测与分割

据统计，脑转移（BMs）大约发生在20-40%的颅外恶性肿瘤中，由于近年来癌症患者的生存时间延长，其发病率也迅速增加。作为最重要的预后因素之一，BMs的发生对恶性肿瘤的分期和治疗有重要影响。因此，准确检测BMs是早期诊断和临床干预的需要，但由于转移灶的数量不一且体积较小，因此检测BMs仍是一项挑战。此外，放疗是治疗BMs的主要方法之一，需要对转移灶进行精确分割。目前，由神经放射科医生从MRI图像中手动识别和分割BMs是十分耗时的，并且依赖于观察者，导致脑转移瘤判析的不确定性、限制了诊断和治疗的客观性和一致性。因此，迫切需要从MRI图像中实现自动检测和分割BMs。

最近，基于深度学习的方法在医学图像分析中取得了显著的效果。对于MRI图像中BMs的自动分析，现有基于深度学习的方法主要可以分为两类：基于检测的方法和基于分割的方法，都属于单阶段的算法，直接通过一个网络产生预测结果。基于检测的方法直接定位和检测包含BMs的边界盒。例如，单次检测器（SSD）被用来检测大多数大于6mm的转移灶。基于分割的方法直接分割三维MRI图像中的不同BMs。例如，流行的U-Net已被用于BMs分割，可以通过基于多输入和损失函数的多模型集合来减少FPs。然而，上述方法在检测转移灶时显示出较低的灵敏度，特别是对那些小尺寸的转移灶来说更为显著。

对于BMs筛查，假阴性比假阳性更有害。在临床上，自动检测算法需要更少的假阴性和更高的灵敏度，但这通常也会导致更多的假阳性。假阳性会干扰医生的诊断，给病人带来心理压力。因此，自动检测算法首先要保证对BMs（尤其是难以人工筛查的小转移灶）的高灵敏度，然后抑制假阳性以减轻放射科医生的诊断负担。

近日，发表在European Radiology杂志的一项研究开发并验证了一个用于自动检测和分割MRI图像中脑转移灶（BMs）的两阶段深度学习模型，并在大量不同大小的BMs上评估了该模型的检测和分割性能，为医生提供了一个更准确且快速的识别BMs的影像学工具。

在本项回顾性研究中，共纳入了2019年8月至2022年1月期间接受放疗的649名患者的T1加权（T1）和T1增强（T1ce）MRI图像。共有5163个转移灶由放射学专家手动注释。研究开发了一个两阶段的深度学习模型，用于BM的自动检测和分割，包括一个用于生成转移灶建议的轻量级分割网络和一个用于抑制假阳性的多尺度分类网络。通过敏感性、精确性、F1分数、骰子和相对体积差异（RVD）来评估其性能。 

六百四十九名患者被随机分为训练（n = 295）、验证（n = 99）和测试（n = 255）集。提出的两阶段模型在测试集上达到了90%的灵敏度（1463/1632）和56%的精确度（1463/2629），超过了基于单次检测器的单阶段方法。3D U-Net和nnU-Net，其灵敏度分别为78%（1276/1632）、79%（1290/1632）和87%（1426/1632），精度为40%（1276/3222）、51%（1290/2507）和53%（1426/2688）。特别是对于小于5毫米的BMs，所提出的模型达到了66%（116/177）的灵敏度，远远优于单阶段模型（21%（37/177），36%（64/177）和53%（93/177））。此外，模型还取得了较高的分割性能，平均骰率为81%，平均RVD为20%。 

图 研究方法的检测和分割结果的可视化。红色、绿色和蓝色区域分别代表真阳性、假阳性和假阴性。第一阶段几乎识别了所有的脑转移瘤，但有很多假阳性，第二阶段则抑制了大部分的假阳性。在病例（b）的切片3中，一个小的转移灶被遗漏了，因为其与周围增强的血管相似

在未来，本项研究将进一步改进我们的模型，包括通过抑制MRI图像中的血管和噪音来提高小转移灶的检测性能，通过使用从粗到细的分割范式和最先进的分割网络来进一步提高分割性能。同时，收集和利用多中心数据来验证我们的方法，并进一步微调以提高其通用能力，以协助BMs的早期诊断和治疗。
原文出处：

Ruikun Li,Yujie Guo,Zhongchen Zhao,et al.MRI-based two-stage deep learning model for automatic detection and segmentation of brain metastases.DOI:10.1007/s00330-023-09420-7

点我：学习侯雪GASTO脑转移研究汇报