European Radiology：动态增强MRI乳腺肿瘤的深度卷积神经网络三维分割

现阶段，核磁共振成像已成为检测、诊断和跟踪治疗乳腺癌的标准成像方式之一。动态对比增强MRI（DCE-MRI）通常用于放射组学等定量分析，以评估乳腺病变或肿瘤扩展的恶性程度或预测其对新辅助治疗的反应。这种分析需要对乳腺肿瘤进行精确的分割，但人工划定病变范围十分耗时，而且容易在放射科医生之间和内部产生差异，经常构成使用乳腺MRI进行大型成像研究的定量分析的瓶颈。通过提供对从肿瘤病变中提取的强大的三维定量特征的简单访问，自动三维肿瘤分割将大大改善乳腺MRI成像中非侵入性生物标志物的识别。

最近，深度学习方法的兴起为解决器官和病变的分割带来了新的机会。深度卷积神经网络（CNN）已经成为最先进的2D和3D医学图像分割方法，许多公共数据库和分割挑战可用于训练和测试CNN模型。

近日，发表在European Radiology杂志的一项研究在开发了一种用于使用T1加权动态对比增强（T1-DCE）MRI对乳腺肿瘤进行三维分割的视觉集合选择的深度卷积神经网络（CNN），以协助放射科医生在DCE-MRI上进行乳腺病变的自动化分割。

本项研究将多个中心的经三维T1-DCE磁共振成像（n = 141）诊断为局部晚期或侵袭性乳腺癌的患者纳入研究。共111张扫描的肿瘤病灶由两位放射科医生平均分配，并进行分割训练。另外30张扫描片由两位放射科医生独立分割，用于测试。使用强化后的图像或强化后和减影图像的组合在图像或特征水平上融合，训练三个三维U-Net模型。使用Dice相似性系数（DSC）和Hausdorff距离（HD95）对分割精度进行定量评估，并由放射科医生进行定性评分，分为优秀、有用、有帮助或不可接受。基于这个分数，本项研究提出了一种视觉组合方法，在这三种模型中选择最佳分割。

两位放射科医生之间的DSC和HD95的平均值和标准差分别为77.8±10.0%和5.2±5.9毫米。使用视觉组合选择，DSC和HD95等于78.1±16.2%和14.1±40.8 mm。50%（77%）的定性评估为优秀（相当于优秀或有用）。

 图 对测试数据库中三个病例的代表性分割结果的说明（轴位和冠状视图）。从左到右：T1c体积，SubT1体积，U-Net提供的分割（T1c），U-Net ILF（T1c + SubT1），U-Net FLF（T1c + SubT1），R1和R2提供的GT）。DSC(%)和R1提供的视觉评分(VS)都包含在每个病例下面。视觉组合选择对应于病例1的U-Net（T1c）提供的分割，病例2和3的U-Net ILF（T1c + SubT1）提供的分割

本项研究表明，使用减影图像做为CNN对乳腺病变进行三维分割提供了重要的补充信息。视觉组合选择允许放射科医生选择由三个三维U-Net模型获得的最理想分割，且取得了与放射科医生相当的分割结果，产生了77%被的优秀或有用的分割体积，为进一步的研究提供了技术支持。
原文出处：

Masoomeh Rahimpour,Marie-Judith Saint Martin,Frédérique Frouin,et al.Visual ensemble selection of deep convolutional neural networks for 3D segmentation of breast tumors on dynamic contrast enhanced MRI.DOI:10.1007/s00330-022-09113-7