European Radiology：基于深度学习的多参数MRI脑膜瘤自动分割

脑膜瘤来源于脑膜的蛛网膜帽状细胞，占原发性脑肿瘤的近1/3，不同病理等级的脑膜瘤患者尚无发病率和预后也不同。II级和III级（高等级）脑膜瘤患者由于脑膜瘤复发和脑膜瘤相关死亡的风险较高而引起公众关注，尽管其发病率仅为I级（低等级）脑膜瘤患者的九分之一。高等级脑膜瘤患者通常需要积极的手术干预和术后放疗以提高生存率。因此，在治疗前准确预测脑膜瘤的等级对外科医生确定最佳手术模式至关重要。

放射组学是一种先进的影像学技术，可从多模态医学图像中提取高通量的定量特征用于临床决策支持。在过去的十年中，基于磁共振成像（MRI）的放射组学已被应用于脑膜瘤术前分化的相关研究。然而，目前放射组学分析的实施仍然依赖于脑膜瘤的人工分割。人工分割费力、繁琐，而且容易受到观察者之间和观察者内部差异的影响。因此，在临床实践中应用放射组学诊断脑膜瘤时，需要建立一个从MR图像中自动分割脑膜瘤的方法。

最近，随着深度学习的发展，卷积神经网络（CNN）已被广泛用于肿瘤分割。以前的研究表明，与传统方法相比，将CNN应用于脑膜瘤明显提高了分割的准确性[。因此，基于深度学习的方法在放射学中自动划定感兴趣区域（ROI），对脑膜瘤的全自动分割很有前景。

近日，发表在European Radiology杂志的一项研究探讨了在脑膜瘤放射学分析中用基于深度学习的自动分割取代人工分割的可行性，评估了使用手动和自动分割获得的特征之间的一致性，并比较了两个放射学模型的性能。

本研究对MR检查（T1/T2加权和对比增强T1加权成像）进行了回顾性的多中心收录。来自1号中心的数据被分配到训练（n = 307，年龄 = 50.94 ± 11.51）和内部测试（n = 238，年龄 = 50.70 ± 12.72）队列中，来自2号中心外部测试队列的数据（n = 64，年龄 = 48.45 ± 13.59）。同时为脑膜瘤的分割训练了一个改良的注意力U-Net。分割的准确性由五个定量指标来评估。使用类内相关系数（ICC）评估手工和自动分割的放射学特征之间的一致性。经过单变量和最小冗余度-最大相关性的特征选择，利用人工和自动分割分别构建了区分低级别（I）和高级别（II和III）脑膜瘤的L1-规则化逻辑回归模型，并利用ROC分析评估了其性能。 

内部测试队列的脑膜瘤分割骰子为0.94±0.04，增强T1加权和T2加权图像的肿瘤体积为0.91±0.05；外部测试队列的骰子为0.90±0.07和0.88±0.07。对于内部（ICC=0.94，四分位数范围：0.88-0.97）和外部（ICC=0.90，四分位数范围：0.78-70.96）测试队列，使用手动和自动分割提取的特征都很一致。在内部（0.95 vs. 0.93, p = 0.176）和外部（0.88 vs. 0.91, p = 0.419）测试队列中，自动分割的放射学模型的AUC与手动分割的模型相当。 

图 使用人工和自动分割提取的放射学特征之间的ICC直方图和累积直方图。a训练队列，（b）内部测试队列，和（c）外部测试队列。ICC，类内相关系数

本研究结果表明，本研究开发U-Net可以从常规的多参数MR图像中自动准确地进行脑膜瘤分割。在脑膜瘤分割方面，自动分割的放射组学模型取得了与人工分割模型相当的性能。本研究的自动分割方法使放射组学在术前脑膜瘤分割中得到有效实施，并促进其在临床实践中的应用。

原文出处：

Haolin Chen,Shuqi Li,Youming Zhang,et al.Deep learning-based automatic segmentation of meningioma from multiparametric MRI for preoperative meningioma differentiation using radiomic features: a multicentre study.DOI:10.1007/s00330-022-08749-9