European Radiology:多参数深度学习实现脑膜瘤无创分级与全自动分割

脑膜瘤是成人中最常见的原发性颅内肿瘤，具有组织病理学和临床异质性。大多数脑膜瘤（80%）归类为低级别（世界卫生组织（WHO）1级），其临床病理过程并不稳定。相反，高等级（WHO 2级或3级）的肿瘤具有攻击性的生物学行为，有复发的倾向、预后不良。标准治疗通常包括手术切除，并需要对高等级脑膜瘤进行放射治疗。术前预测脑膜瘤的等级十分重要，可影响到治疗计划，包括手术切除和立体定向放射外科治疗策略。此外，根据欧洲神经肿瘤协会的指南，一部分无症状的脑膜瘤患者应仅需通过观察来处理。因此，开发一种强大的无创方法来预测脑膜瘤等级可以减少不必要的侵入性检查并提高临床决策。

现阶段，MRI是脑膜瘤诊断和定性、治疗计划和疗效监测的主要影像学方法；然而，由于寻找明显的影像学特征是个挑战，迄今为止，脑膜瘤的影像学分级价值尚未得到充分重视。此外，尽管准确的病变分割在脑膜瘤诊断和治疗计划中至关重要，但脑膜瘤的人工分割耗时耗力，且受制于阅读者间和阅读者内的差异。到目前为止，很少有研究提出使用深度学习（DL）方法来检测和/或自动分割脑膜瘤。

近日，发表在European Radiology杂志的一项研究开发并建立了一个强大的全自动DL分级模型用于脑膜瘤的分级和分割，通过外部验证来验证DL模型在不同机构的稳健，并进一步明确了有助于预测DL分级模型的DL特征。

总共有257名经病理证实的脑膜瘤患者（162名低等级，95名高等级）接受了术前脑部MRI检查，包括T2加权（T2）和增强T1加权图像（T1C）。在多参数三维U-net和ResNet的基础上，构建了一个两阶段的DL分级模型用于分割和分类。这些模型在由61名脑膜瘤患者组成的外部验证集中得到了验证（46名低等级，15名高等级）。使用相关性加权类激活图（RCAM）方法来解释有助于预测DL分级模型的DL特征。 

在外部验证中，与仅有的T2或T1C模型相比，联合的T1C和T2模型在分割中显示出0.910的Dice系数，在脑膜瘤分级中表现出最高的性能，曲线下面积（AUC）为0.770（95%置信区间：0.644-0.895），准确性、敏感性和特异性分别为72.1%、73.3%和71.7%。联合DL分级模型的AUC和准确率高于阅读者（AUC为0.675-0.690，准确率为65.6%-68.9%）。DL分级模型的RCAM显示了脑膜瘤表面区域的激活图，表明该模型能识别肿瘤边缘的特征进行分级。 

 图 三维可视化的实测分割和DL模型的分割。上面一行代表实测分割，下面一行代表DL模型的分割

本项研究表明，研究所提出的结合了T1C和T2的可解释的多参数DL模型可以实现脑膜瘤的全自动分级，同时可进行自动分割，为脑膜瘤的早期、无创、准确的风险分层提供了技术支持。

原文出处：

Yohan Jun,Yae Won Park,Hyungseob Shin,et al.Intelligent noninvasive meningioma grading with a fully automatic segmentation using interpretable multiparametric deep learning.DOI:10.1007/s00330-023-09590-4