查看: 19|回复: 0
打印 上一主题 下一主题

[数据分析基础] Neuro-Oncology:深度学习算法全自动评估脑胶质瘤负荷 [复制链接]

Rank: 5Rank: 5

水晶
2122
心级
1758
精华
0
主题
145
帖子
151
跳转到指定楼层
楼主
发表于 昨天?20:25 |只看该作者 |倒序浏览
本帖最后由 罗叶双 于 2019-9-2 20:28 编辑

基于深度学习算法,来自麻省总医院等机构的研究者可以全自动地从MRI图像中分割脑胶质瘤,其效果与专家手工分割不相上下。该研究发表在最近的Neuro-Oncology期刊上。

关键词深度学习胶质瘤??分割??纵向反应评估 RANO


背景:

脑胶质瘤是主要的中枢神经系统(CNS)肿瘤,具有可变的自然病史和预后,取决于其组织学和分子特征。目前用于确定治疗反应和评估临床试验中肿瘤进展的金标准是神经肿瘤学中的反应评估(RANO)标准。对于高级别胶质瘤,包括胶质母细胞瘤(GBMs),放射学反应评估基于:

(1)测量对比增强肿瘤的最大二维直径的2D乘积;

(2)T2/FLAIR的高强度区域的定性评估。然而,由于胶质瘤的浸润性和异质性对比增强的存在,人工划定肿瘤边界可能很困难。

最近一篇关于临床试验中脑肿瘤成像的共识论文指出体积分析改进了现有方案。体积测量可以更准确地捕捉肿瘤负荷,因为胶质瘤形状往往是不规则的。然而,体积反应评估尚未被常规使用,这是因为使用现有工具进行肿瘤分割非常困难。自动分割工具可以帮助将肿瘤体积用作临床试验中的反应终点,并允许整合到临床工作流程中。快速和可复制的肿瘤分割也是肿瘤神经影像生物标记的基于体素的定量评估的重要步骤。

本文应用深度学习研究开发了一个完全自动化的脑提取和肿瘤分割流程,根据RANO标准来可靠地生成异常FLAIR高强度和对比度增强肿瘤体积以及二维直径。然后,通过将自动化测量与来自专家的手动测量进行比较,验证了该算法在多机构术前患者队列和来自单一机构术后纵向患者队列中的性能。


材料和方法:

被试与数据

术前患者队列??:? ?

本研究回顾性地分析了宾夕法尼亚大学附属医院(HUP)、肿瘤成像档案馆(TCIA)、麻省总医院(MGH)和布莱根妇女医院(BWH)的胶质瘤患者。所有患者均符合以下标准:(i)根据世界卫生组织(WHO)标准,患有组织病理学证实的II-IV级胶质瘤;(ii)可用的术前MRI图像,包括T2加权(FLAIR)和对比后T1加权图像。不满足上述标准,则排除患者。患者成像采集设置参见补充图1-2。

术后患者队列??:? ???

术后患者队列的MRI数据从MGH的两个临床试验中获得,共计54名患者。两个试验的纳入标准均为:年龄>18岁,术后残留对比增强肿瘤单维度尺寸≥1cm,胶质母细胞瘤的组织学确诊,以及合格的术后标准治疗。所有被试均采集了3.0T的FLAIR和对比前后T1加权图像。

专家脑提取、肿瘤分割和RANO测量

从术前和术后患者队列中随机抽取42例患者,由一名评分者(R.Y.H.,神经放射学家,9年经验)进行脑提取。在术前患者队列中,对FLAIR高信号区域进行人工肿瘤分割(Q.S.,神经放射学家,5年经验;RYH; AB,神经外科住院医师,5年经验);对术后患者队列中FLAIR高信号区域和增强对比区域进行人工肿瘤分割(E.R.G,神经肿瘤学家,12年经验;M.C.P.,神经放射学家,11年经验)。每一个病人的随访都由一个专家进行分割,评估术前和术后的磁共振成像,以排除术后血液制品的影响。手工RANO双向测量以及FLAIR进展评估由两名评估人员进行(例如:K.I.L.,神经肿瘤学家,7年经验),涉及基线访视、手工测量对比增强肿瘤体积最低的一次随访,以及术后患者队列的最后一次随访。

基于深度学习的脑提取

将专家脑提取涉及的42名患者分为训练组(n=30)和测试(n= 12)组,神经网络在训练组上训练。作为参考,将我们使用的深度学习算法与其他常用的自动脑提取方法(混合流域算法,基于鲁棒学习的脑提取,脑提取工具,3dSkullStrip和大脑表面提取器)进行脑提取的比较。所有方法都使用默认参数应用于T1对比后图像(除了基于鲁棒学习的脑提取,该方法无可调参数)。

基于深度学习的异常FLAIR高信号和对比增强肿瘤分割

HUP、TCIA和MGH术前患者队列以4:1的比例随机分为训练组和测试组。BWH患者队列用作独立测试集。我们使用训练集训练了单一的神经网络模型,用于术前患者队列中的FLAIR高信号图像的分割。当模型被训练后,就在测试组和BWH独立测试集上进行性能评估。

来自单个机构的术后患者队列的患者被随机分成训练组和测试组,比例也为为4:1。数据在患者水平上分开,使得单个患者的所有随访完全在训练或测试组中(补充图3)。对术后患者队列训练了两种神经网络模型:FLAIR高信号分割和对比增强肿瘤分割。在训练集上训练出模型后,即在单独的测试集上评估模型的性能。


这些网络被设计成从多个通道接收输入patch:

1)FLAIR和T1造影后图像用于大脑提取;

2)FLAIR和T1造影后图像用于术前患者队列FLAIR高信号分割;

3)FLAIR、T1造影前、T1造影后图像用于术后患者组FLAIR肿瘤分割;

4)FLAIR、T1造影前、T1造影后、FLAIR高强度区用于术后患者组对比增强肿瘤分割。除了最终的S形输出之外,在所有层中使用整流线性单元激活(ReLU)。在每个卷积层之后应用批量归一化以进行正则化。我们使用Nestorov自适应矩估计来训练3DU-Nets,初始学习率为10?5,最小化Dice损失函数。

篇幅限制,阅读全文请点击链接??https://mp.weixin.qq.com/s/qdmDl7oIL__aVRqkRcTvQg


编者注:? ???AI人工智能时代已经来临,机器学习在脑影像方面有着广阔到应用前景,思影科技的脑影像机器学习课程将会涉及相关内容,欢迎您参加(请直接点击):


第八届脑影像机器学习班


如需原文及补充材料,请加微信:siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。


转发到微博
您需要登录后才可以回帖 登录 | 注册

bottom

Powered by Discuz! X2

? 2001-2011 Template By Yeei. Comsenz Inc.

回顶部