European Radiology：MRI放射组学在前列腺癌全自动分割中的应用

众所周知，前列腺癌（PCa）仍然是男性中最常见的恶性肿瘤之一。现阶段，多参数磁共振成像（mpMRI）是检测有临床意义（CS）PCa的重要影像学手段。然而，定性的mpMRI解释需要丰富的经验，且存在一定的漏诊风险。

最近的研究显示，放射组学模型对CS PCa的诊断有很好的效果。前列腺癌成像研究可以有不同的分割方法，有些不需要任何手动病灶分割，而是使用全自动深度学习算法进行。放射组学大多涉及对感兴趣区（VOI）的人工分割，提取的特征可提供VOI内结构的具体信息，这就可以利用成像生物标志物对肿瘤表型进行量化，有助于构建可解释的人工智能模型。然而，手工分割是一项繁琐而耗时的工作，因此需要一种新的分割方法来更迅速地提取放射组学特征。

近日，发表在European Radiology杂志的一项研究因探讨了DLM自动固定VOI分割方法的临床价值，并评价了其用于bpMRI上基于放射组学CS PCa诊断方面的诊断能力，为临床快速进行PCa的诊断及病灶分割提供了技术支持。

本研究纳入了524个PCa病变（其中204个为CS PCa）的bpMRI图像。所有病变均采用DLM自动固定VOI方法进行半自动分割（每个病变平均<10秒），并由一位泌尿外科专家进行手动分割（每个病变平均5分钟）。DLM自动固定VOI方法使用一个球形VOI（其中心位于前列腺病变的表观扩散系数最低的位置，只需点击一下鼠标即可），并使用基于深度学习的前列腺分割算法将其中的非前列腺体切除。探索了13种不同DLM自动固定的VOI直径（范围从6到30毫米）。提取的放射组学数据被分成训练组和测试组（4:1的比例），并用ROC分析评估性能。 

DLM的自动固定VOI方法在VOI直径为18毫米时的表现（0.76 [95% CI: 0.66-0.85]）明显高于手动分割方法（0.62 [95% CI: 0.52-0.73]）。

图 A 表观弥散系数图（3倍放大系数），一名76岁的男性，箭头所指的周边区域有可疑病变（PI-RADS 4），证明是ISUP 2级PCa（基于MRI-TRUS融合）。B 在ADC值最低的体素周围放置18mm的自动固定VOI；前列腺外的大量体素被包括在内（红色轮廓）。C 自动固定的VOI与基于深度学习的分割相结合去除前列腺外不需要的体素的结果

本研究表明，DLM自动固定的VOI分割可以提供比专家手工分割更准确的CS PCa诊断，同时还可以减少专家97%以上的时间投入。

原文出处：

Jeroen Bleker,Thomas C Kwee,Dennis Rouw,et al.A deep learning masked segmentation alternative to manual segmentation in biparametric MRI prostate cancer radiomics.DOI:10.1007/s00330-022-08712-8