European Radiology：基于深度卷积神经网络的颅咽管瘤MR图像的自动分割

颅咽管瘤是一种不常见的颅内良性肿瘤，有两种组织学亚型，即腺瘤性颅咽管瘤（ACP）和鳞状乳头状颅咽管瘤（PCP）。由于其局部侵袭性生长模式和解剖位置接近重要的脑部结构，颅咽管瘤是所谓的行为恶性肿瘤，可导致严重的神经功能障碍，并有显著的死亡率和发病率。颅咽管瘤患者可能会出现严重的症状，包括内分泌失调、视力障碍和颅内压升高。

注射钆前后的磁共振成像（MRI）是目前检测和评估颅咽管瘤的黄金标准成像。在MRI上进行可靠的肿瘤分割十分重要。一方面，它可以为神经放射科医生和神经外科医生提供更加个性化的治疗前评估，以制定治疗方案，在图像阅读中提供了更加敏感的肿瘤检测和进展监测。另一方面，在以前的研究中，提出了一系列需要分割的模型，并在病理鉴别、鉴别诊断和脑浸润预测方面表现出可行的能力。然而，人工划线繁琐、费力、费时，通常会导致评分者之间和评分者内部的差异，导致最终分析的偏差。

深度神经网络（DNN）是一项多学科交叉的研究，可以缩短图像处理时间，利用医学影像领域的大数据提高诊断结果的可靠性。DNN已被用作图像预处理的必要步骤，可以进行更多的肿瘤特异性分析，而与其他类型的脑瘤相比，使用DNN对颅咽管瘤进行分割更具挑战性。在常规MRI上，PCP通常表现为非钙化的实体，而ACP的影像学特征显示出一种典型的组合，称为90%规则，即90%显示出或多或少的明显钙化，90%的肿瘤主要是囊性的，约90%在囊壁上有对比剂的摄取。影像表现的多样性阻碍了DNN模型在分割中的高性能。

鉴于肿瘤分割在临床常规实践和学术研究中的重要性，发表在European Radiology杂志的一项研究通过使用卷积神经网络（CNNs）技术，开发了一种新型的深度学习模型来自动分割MR图像上的颅咽管瘤，为临床的术式制定及评估提供了重要的技术支持。

共有264名被诊断为颅咽管瘤的患者被纳入本项研究。收集了患者治疗前的MRI图像并被用作学习和评估深度学习模型的基础事实。来自另一个机构的38名患者被用来进行独立的外部测试。拟议的分割模型是基于U-Net架构构建的。计算了每个病例的Dice相似度系数（DSCs）、95%百分位数的Hausdorff距离（95HD）、Jaccard值、真阳性率（TPR）和假阳性率（FPR）。采用单因素方差分析来研究该模型的性能是否与肿瘤的放射学特征有关。

提出的模型在分割方面表现良好，平均DSCs为0.840，Jaccard为0.734，TPR为0.820，FPR为0.000，95HD为3.669mm。在独立的外部测试组中，其表现是可行的，平均DSCs为0.816，Jaccard为0.704，TPR为0.765，FPR为0.000，95HD为4.201毫米。另外，单因素方差分析表明，其表现与放射学特征没有统计学联系，包括主要成分（p = 0.370）、分叶状（p = 0.353）、ICA受压（p = 0.809）以及海绵窦入侵（p = 0.283）。

 图 A 颅咽管瘤的分割结果（内部测试）。在标注的图像中，蓝色箭头代表肿瘤的实性成分，绿色箭头代表肿瘤的囊性成分。A- C 一个以实性成分为主的病例。这个病例的分割性能是DSCs为0.865，95HD为4.975毫米。D-F 一个主要是实性和囊性成分混合组成的病例。这个病例的分割性能是DSCs为0.858，95HD为2.236mm。G-I 一个以囊性成分为主的病例。该病例的分割性能是DSCs为0.791，95HD为6.001mm

本研究提出了一种基于U-Net的用于MRI中颅咽管瘤自动分割的DNN模型，该模型在分割中显示出临床应用的可行性，是一种完全自动化的诊断辅助方法，可以减少放射科医生的工作量。同时，自动分割为未来CAD研究中的颅咽管瘤自动分割提供了一种新的算法。

原文出处：

Chaoyue Chen,Ting Zhang,Yuen Teng,et al.Automated segmentation of craniopharyngioma on MR images using U-Net-based deep convolutional neural network.DOI:10.1007/s00330-022-09216-1