基于三維密集連接卷積網絡鑒別高級別膠質瘤與單發腦轉移瘤

張斌，黃陳翠，薛彩強，李昇霖，周俊林*

1.蘭州大學第二醫院放射科，蘭州大學第二臨床醫學院，甘肅省醫學影像重點實驗室，醫學影像人工智能甘肅省國際科技合作基地，甘肅 蘭州 730030；2.北京深睿博聯科技有限責任公司，北京 100080；

腦膠質瘤是成人中樞神經系統最常見的原發腫瘤。2016年WHO中樞神經系統腫瘤分類將腦膠質瘤分為WHO 1～4級，其中WHO 3級和4級膠質瘤統稱為高級別膠質瘤（high-grade gliomas，HGGs），占原發性惡性腦腫瘤的60%以上[1-3]。腦轉移瘤（brain metastases，BMs）是顱內最常見的惡性腫瘤，25%～50%的癌癥患者最終會發展為腦轉移[4-5]。與BMs通常采用姑息性治療方案不同，HGGs標準治療方式是最大范圍手術安全切除同步放化療[6-7]，然而臨床術前區分單發BMs與HGGs較為困難，通過影像學檢查準確鑒別兩者有助于制訂臨床決策，但其影像學征象有較多重疊。人工智能的深度學習（deep learning，DL）預測模型能夠為腦腫瘤分類鑒別提供更好的臨床適應性及靈活性[8]，但該方法在BMs與HGGs鑒別診斷方面的研究較少。本研究擬利用三維密集連接卷積網絡（three-dimensional densely connected convolutional networks，3D-DenseNet）分別構建獨立的基于T2WI（T2-net）、T1WI增強（T1C-net）及T2WI和T1WI增強（TS-net）融合的預測模型，以期實現對兩種腫瘤的精準鑒別診斷，為臨床的治療決策提供可靠的依據。

1 資料與方法

1.1 研究對象 回顧性分析蘭州大學第二醫院2016年6月—2021年6月經手術病理證實的顱內單發BMs 111例，其中男65例，女46例，年齡19～75歲，平均（54.63±9.98）歲；原發病灶來源于肺癌55例、胃腸道腫瘤17例、泌尿生殖系統腫瘤9例、乳腺癌4例、惡性黑色素瘤1例、骨腫瘤1例、原發灶未確定24例。HGGs 230例，其中男134例，女96例，年齡18～77歲，平均（52.66±11.23）歲；WHO 3級膠質瘤31例，4級199例。納入標準：①根據2016年WHO中樞神經系統腫瘤分類[3]，經術后病理學證實HGGs（WHO 3、4級）和BMs；②均為顱內孤立性病灶；③術前均進行MRI檢查，檢查序列包括T2WI、T1WI增強（T1C）序列。排除標準：①MRI掃描前有明確顱腦手術史、放化療史；②圖像存在明顯偽影；③病灶彌漫，無明確顱內腫塊；④顱內腫塊直徑＜1 cm或多發病灶；⑤年齡＜18歲。本研究經本院醫學倫理委員會批準（2020A-070），豁免受試者知情同意。

1.2 儀器掃描參數 患者取仰臥位，使用西門子Verio 3.0T超導MRI進行頭部平掃和增強掃描。掃描參數：T1WI（GRE序列），TR 550 ms、TE 11 ms、層厚5 mm、層間距1.5 mm、視野260 mm×260 mm、矩陣256×256；T2WI（TSE序列），TR 2 200 ms、TE 96 ms、層厚5mm、層間距1.5 mm、視野260 mm×260 mm、矩陣256×256。增強掃描在軸位、矢狀位及冠狀位上行T1WI掃描，對比劑為Gd-DTPA[（Bayer Schering Pharma AG）/kg]，靜脈滴注速度0.1 mmol/kg，流速3.0 ml/s，相應的掃描參數與平掃相同。

1.3 圖像處理與模型的構建

1.3.1 圖像預處理與分割 由于HGGs與BMs的瘤-腦界面模糊，瘤周水腫邊界通常不清晰，本研究在參考T1C和T2WI圖像的同時，在T1C和T2WI圖像上手工標注腫瘤區域。所有圖像均從PACS系統以DICOM格式輸出，將獲得的T2WI、T1C序列圖像通過Python 3.6.11進行N4偏置場校準及配準。后續分析僅在感興趣區體積（volume of interest，VOI）中進行，而非在MRI圖像的所有層面中進行，以更好地聚焦于特征提取、減少計算負擔。

腫瘤區域VOI由1名高年資神經影像診斷醫師劃定，使用開源的ITK-SNAP 3.8.0軟件（http://www. itksnap.org）的動態輪廓分割模式在T2WI和T1C軸位圖像上進行手工標注，將T2WI圖像上的異常信號及高信號（包括瘤周水腫）認定為腫瘤區域，T1C圖像上的異常強化信號及低信號（包括瘤周水腫）認定為腫瘤區域，避開腦脊液。在3D-DenseNet模型輸入圖像VOI的勾畫中，將能夠完全包含各層面腫瘤區域的最小三維矩形框定義為動態輪廓分割的VOI，利用三維分割病灶體積得到VOI[9]（圖1）。另一名高年資放射科醫師檢查所勾畫的VOI，存在分歧時討論達成一致。最后，將三維標注文件以nii.格式保存，以進行后續處理。

圖1 3D模型的VOI分割方法。A～C：分別在三維重建圖中橫斷位、矢狀位和冠狀位選取包含腫瘤區域的最小矩形區域（紅色虛線框），其中紅色為腫瘤瘤體，綠色為瘤周水腫區；D：能夠完全包含各個方位腫瘤區域的最小三維矩形框；E：三維分割病灶體積得到全腫瘤區域的VOI

1.3.2 DenseNet 本研究選擇DenseNet-169進行研究，它由4個密集塊（Dense Block）構成，2個相鄰模塊間的層稱為過渡層，通過卷積層和池化層改變特征映射的大小。圖2為DenseNet的架構示意圖。

圖2 密集連接卷積網絡示意圖。A.密集連接卷積網絡構架的4個密集塊；B.密集塊結構示意圖，每一層均將前面所有的特征圖作為輸入

1.3.3 卷積神經網絡模型的訓練及驗證 將VOI的大小統一調整為64×64×64。將HGGs和單發BMs的標簽分別設置為1和0，數據集按照7∶3隨機分為訓練集254例和驗證集87例，利用訓練集訓練分類器，然后利用驗證集對模型進行驗證。對訓練集數據采用多種數據增強方法，包括鏡像、縮放、旋轉、重采樣、亮度、對比度及裁剪，盡可能減弱過擬合。

在訓練過程中，根據最小的驗證損失進行提前停止，得到最優模型。在訓練時，卷積神經網絡模型參數的更新梯度由損失函數Log損失計算，用于衡量預測值與標簽值的差異，Log損失計算見公式（1）。其中，m為輸入樣本量，y為給定輸入標簽值。

參數優化算法采用Adam算法對學習率進行約束，學習速率設置為0.001。學習率調節方法采用StepLR等間隔調整學習率，調整倍數為0.1倍，調整間隔為1，間隔單位為遍歷（epoch），每10個輪回epoch調整1次學習率，學習率調整為上一次的2倍。由于本研究是醫學圖像的二分類問題，在ImageNet自然圖像分類預訓練模型的基礎上進行訓練。模型迭代的輪數設置為100次，按批次放入模型訓練的圖像數量Batch_size設置為12[10]。DL模型輸出為每個輸入圖像的分類概率，然后將患者所有VOI的結果結合，將概率最高的結果分配給該患者，從而給出每個患者的診斷，最終基于3D-DenseNet分別構建預測模型T2-net、T1C-net和TSnet。

1.4 統計學分析 DL模型統計學分析主要使用Python 3.6.11進行，卷積神經網絡模型的構建使用PyTorch軟件包，通過sklearn軟件包輸出受試者工作特征（ROC）曲線評價DL模型的鑒別效能。采用Delong檢驗比較不同序列及不同卷積神經網絡所建模型的預測性能[10]，P＜0.05為差異有統計學意義。

2 結果

2.1 3D-DenseNet模型的預測性能及驗證 3D-DenseNet模型在T1C及T2序列模型的訓練集中HGGs 175例，BMs 79例；驗證集中HGGs 55例，BMs 32例。

T1C-net在訓練集和驗證集的AUC分別為0.852（95%CI0.802～0.901）和0.853（95%CI0.773～0.934）；T2-net在訓練集和驗證集的AUC分別為0.802（95%CI0.743～0.862）和0.721（95%CI0.607～0.835）；TS-net在訓練集和驗證集的AUC分別為0.856（95%CI0.822～0.890）和0.745（95%CI0.667～0.822），見表1。

表1 3D-DenseNet模型鑒別HGGs和BMs的效能

2.2 T1C-net、T2-net和TS-net模型性能比較 T1Cnet驗證集的AUC及準確度均高于T2-net和TS-net，TSnet驗證集的AUC及準確度均高于T2-net（表1）。訓練集中，T1C-net與T2-net、TS-net與T2-net模型的AUC差異有統計學意義（P＜0.05），而T1C-net與TS-net模型的AUC差異無統計學意義（P＞0.05）；驗證集中，T1Cnet與T2-net模型的AUC差異有統計學意義（P＜0.05），而TS-net與T2-net、T1C-net與TS-net模型的AUC差異無統計學意義（P＞0.05），見圖3。

圖3 不同序列各模型的Delong檢驗比較。A.訓練集；B.驗證集

綜合比較發現，基于3D-DenseNet的T1C-net模型的性能最優（表1）。

3 討論

BMs和HGGs在常規MRI上的影像學特征相似，即使已知原發惡性腫瘤病史，臨床及影像醫師仍需要進行活檢或在可能的情況下進行病灶切除通過病理組織學確診；然而部分BMs患者在行任何手術或藥物治療前，需要進行復雜的全身分期以確定原發癌的位置和評估其他遠處轉移[11]。由于兩者在手術計劃、治療途徑和預后方面存在較大差異，術前準確區分HGGs和BMs十分必要。

DL僅需要簡單的注釋，所提取的特征具有比影像組學特征更高的識別能力和穩定性，顯示出其在醫學圖像分類中的優勢[12]。因此，本研究以DL方法為基礎，將MRI的T2WI及T1C圖像作為輸入圖像鑒別兩種腫瘤，在更大的患者隊列中研究HGGs和BMs的差異，減少既往研究由于數據較少造成的偏倚；同時，DL方法具有更好的靈活性，能夠進一步挖掘數據中更深層次的信息；此外，DL方法避免了復雜的感興趣區勾畫過程，本研究將能覆蓋所有層面腫瘤區域的最小矩形框作為VOI，VOI內包括腫瘤實質及瘤周水腫區，跟既往的組學勾畫相比，對腫瘤的邊界并不需要細致的分割，使不同操作者間的可重復性較好。相較于依賴精確腫瘤邊界注釋的傳統影像組學方法，該方法臨床通用性更強，能更好地顯示腫瘤本身以及瘤周微環境的特征，同時更為聚焦圖像的特征提取[13]。

本研究選用的DenseNet通過特征重用來開發網絡的潛力，產生易于訓練和具有高參數效率的壓縮模型，較既往的卷積神經網絡在大多數技術上獲得了顯著改進[14]，僅需較少計算實現更高性能，可以更有效地利用參數，使DenseNet過擬合的現象較為少見[15-16]。Remedios等[17]比較5個卷積神經網絡（ResNet-50、DenseNet-121、EfficientNet-B0、PhiNet和Inception）在CT血管造影上檢測大血管閉塞的性能，結果顯示DenseNet-121在準確度、敏感度、特異度、召回率和F1評分方面的平均表現最好，其認為DenseNet大量使用密集連接，使來自較早層次的特征映射可以在網絡中更深入地使用，同時有助于梯度流和正則化。本研究使用的三維網絡結構優勢在于密集的連接將信息從所有前面的層傳送到下面的層，能夠更準確地保存信息的完整性[18]。三維模型對病灶信息的掌握更加完整，且在掃描過程中不同序列的可變性較低，不同序列的數據匹配度更好，在一定程度上避免了二維數據的不連續性，使模型的適用范圍更廣[14,19-20]。本研究對3D勾畫得到的VOI進行訓練得到的模型具有良好的性能，訓練集和驗證集AUC分別為T1C-net：0.852、0.853；T2-net：0.802、0.721；TS-net：0.856、0.745。此外，臨床統計顯示，當BMs為單發灶且缺乏原發腫瘤病史時，與HGGs影像征象的相似性會導致40%以上的病例出現誤診[21]，本研究T1C-net模型驗證集準確度高達80.5%，遠高于該水平。

T2WI和T1C序列是臨床廣泛應用于腦腫瘤診斷的MRI常規序列。T2WI序列圖像質量好，偽影較少[22]；而T1C序列病灶輪廓更加清晰，通過注入增強對比劑的方式，可以反映更多的腫瘤異質性[23]。本研究選擇T2WI和T1C序列通過卷積神經網絡分別建立T2-net、T1C-net和TS-net模型鑒別HGGs與BMs，T1C-net表現出最高的診斷效能，AUC為0.852，與T2-net模型有顯著差異，并且在驗證集中評估模型性能時同樣具有很好的穩定性。血管增生和腫瘤血管生成是惡性腦腫瘤生物學行為中最重要的因素之一，T1C序列可以顯示腫瘤血供的豐富程度，同時對腫瘤內血管細節的展示更為清晰[23-24]。此外，T2WI序列上腫瘤壞死囊變區域和周圍水腫高信號區域間常有不規則等低信號邊界，腫瘤中心高信號區域被低信號的邊緣包圍，在T1WI增強序列上通常為不規則環形強化區域，與T2WI相比，該環狀強化區域在T1WI增強序列上對比度更明顯[25]。因此，區分HGGs與BMs的關鍵在于檢測瘤周區域及病灶邊緣的變化。相較于T2WI，T1WI增強序列可以使病灶輪廓更為清晰，同時顯示出更多病灶的異質性及病灶周圍的信息，對腫瘤血管的顯示較T2WI更加全面，使病灶邊緣與瘤周水腫的對比顯示更加強烈，這也解釋了本研究所建立的DL模型中，T1C-net模型的診斷效能更高。

本研究仍存在一些局限性。由于本研究為單中心回顧性研究，未來仍需納入多中心數據作為外部驗證集，以提高DL模型的臨床泛用性。此外，在創建卷積神經網絡模型時特征提取的過程隱藏在黑盒中，未來需要一種新的算法澄清DL分析的內部決策過程。

總之，基于MRI常規序列的3D-DenseNet模型鑒別診斷HGGs和單發BMs具有良好的效能，在鑒別兩者時T1C-net序列所建模型性能更好，DL模型可成為鑒別HGGs和BMs并指導臨床制定精準化治療方案的潛在工具。