梅斯医学MedSci APP
医路相伴，成就大医
梅斯医学MedSci APP
医路相伴，成就大医
前列腺分割，即在磁共振（MR）图像上划定其外部轮廓，是放疗计划或MR/超声融合下活检的必要程序之一。前列腺分割还可以改善对前列腺体积的评估，帮助规范PSA密度（PSA水平除以前列腺体积）的计算，已成为前列腺癌的关键诊断标志之一。此外，这也是使用人工智能算法的计算机辅助检测/诊断系统对前列腺癌进行自动定性的关键步骤。对于后者的应用，需要进行分区划分，即单独划分周边区（PZ）和中央腺体（CG）。通常情况下，前纤维肌层（AFMS）要么不被分割，要么包括在CG分割中。然而，AFMS的侵犯仍然是局部分期的一个关键特征。因此，单独划定AFMS可能会改善人工智能算法的训练。由于人工分割费时且容易出现观察者之间的差异，在过去的15年中，人们提出了许多半自动或全自动的分割方法，包括解剖图谱匹配、使用可变形模型、使用特定的纹理、信号强度和梯度信息，或使用深度神经网络（DNN）。
近日，发表在European Radiology杂志的一项研究开发了一个改进版的前列腺分区算法，能够实现以完全自动化的方式提供前列腺PZ、CG和AFMS的分割，为前列腺癌患者的术前风险分层和术式选择提供了强有力的参考依据。
该算法结合了基于模型和深度学习的方法，使用NCI-ISBI-2013数据集和在一个学术中心获得的70个T2加权数据集进行了区域分割的训练。测试数据集是从该中心在两台扫描仪（GE，1.5T；飞利浦，3T）中的一台上进行的检查中随机选择的，这两台扫描仪没有用于训练。自动分割由两位独立的放射科医生进行校正。当分割开始于前列腺之外时，图像被裁剪并重复分割。用β回归法评估了影响算法的平均Dice相似性系数（DSC）及其精确度的因素。
选择了82个测试数据集，其中一个被排除。在13/81个数据集中，分割开始于前列腺之外，但在图像裁剪后可以进行分区分割。根据被选为参考的放射学家，算法的中位DSCs分别为96.4/97.4%、91.8/93.0%和79.9/89.6%，用于全腺、中央腺体和前纤维肌层（AFMS）的分割。比较放射科医生划线的DSC分别为95.8%、93.6%和81.7%。对于所有的分割任务，用于成像的扫描仪对平均DSC及其精确度有明显的影响，在前列腺外初始分割的病例中，平均DSC明显较低。对于中央腺体的分割，平均DSC在较大的前列腺中也明显较低。除AFMS分割外，选择作为参考的放射医师没有明显影响。
图 前列腺网状模型。紫色的网格对应整个腺体，粉色的对应中央腺体，蓝色的对应前纤维肌层。
总之，本研究提出的自动分割方法可在一个包含不同磁场强度下获得的T2加权图像的多厂商测试数据库中提供完整的分区分割。该算法的性能在专家间的变异范围内，表明该方法达到了临床可接受的程度。然而，MR扫描仪/磁场强度对分割结果仍有很大影响。此外，16%的数据集在前列腺之外开始分割，可能是由于图像质量差或前列腺信号、大小或形状不正常。虽然在图像裁剪后，前列腺的分割是可行的，但在这些情况下，算法的性能仍然是次优的。因此，需要进一步的完善以获得一个全自动的分割系统，并在不同的MR供应商、MR协议和病人之间获得最终结果。
原文出处：
Olivier Rouvière,Paul Cezar Moldovan,Anna Vlachomitrou,et al.Combined model-based and deep learning-based automated 3D zonal segmentation of the prostate on T2-weighted MR images: clinical evaluation.DOI:10.1007/s00330-021-08408-5
0
