分享到:         
行业新闻
    当前位置:首页 > 新闻中心 > 行业新闻

计算机小助手让肉瘤患者的检查更靠谱

来源:中科院之声    时间:2017-11-01    阅读量:

肉瘤医疗设备
' ;&+"vHE' ;&+"恶性肿瘤称为“肉瘤”(sarcoma)。Sarcoma一词来源于希腊单词,意为“肉质生长”。肉瘤主要分为两种:骨肉瘤与软组织肉瘤。骨肉瘤是一种危害极大的原发性恶性骨肿瘤,早期发病症状与其他骨损伤类似,如不能及时发现并给予相应治疗,极易发生肺转移,一旦发生肺转移,治愈希望就会大大减少。

目前,骨肉瘤疑似病例诊断步骤为体检→影像学检查→病理检查。计算机断层成像(CT)是骨肉瘤影像学检查的必要手段之一,可较好地显示皮质破坏界限以及三维解剖情况。根据 CT 影像精确勾画肿瘤区域,医生可制定更合理的放化疗或手术方案。然而,人工勾画肿瘤区域耗时长,工作量极大。而且不同的医生对肿瘤区域的勾画结果受其主观经验、环境等诸多因素影响,勾画结果的可重复性差。因此,需要研发一种可以自动分割肿瘤区域的方法。

但是,骨肉瘤 CT 图像自动分割面临这诸多挑战:(1)骨肉瘤不仅位于骨上,还会侵袭骨周围软组织及关节处的肌肉组织。因此骨肉瘤内灰度及纹理等分布不均匀,且肿瘤组织与其周围正常组织的灰度差异很小,肿瘤边缘模糊不清(如图 1 所示)。(2)不同的病人的肿瘤形态特征及位置各异。(3)不同医院的成像设备及成像参数各异,导致不同医院的病人影像存在差异。

未标题-17.jpg

图1. 骨肉瘤CT图像及肿瘤区域边界(红色实线)。第一行是骨肉瘤CT图像,第二行是肿瘤区域边界勾画结果。从左至右三列分别为肿瘤位于肌肉组织、骨及混合型病灶。

日前,中科院苏州医工所医学影像室提出了一种自动分割肿瘤区域的方法,叫做基于多监督全卷积神经网络的骨肉瘤图像分割方法(Multiple Supervised Fully ConvolutionalNetworks, MSFCN)。科研人员运用这种方法训练出了一个计算机人工智能小助手,这个小助手通过向经验丰富的放射科医生学习肿瘤区域边界勾画方法,从而能够自动完成肿瘤区域勾画,减轻医生的负担。同时,由于机器没有感情,不会受到心情或环境因素的影响,所以提高了肿瘤区域勾画的可重复性。

这个方法听起来很长,其实主要就两个关键点:第一,多监督;第二,全卷积神经网络。所谓“多监督”,计算机从多个细节层面上去“学习”放射科医生的勾画方法。而“全卷积神经网络”,是指计算机可以接受任何尺寸的图像作为输入,直接输出与原图同样大小的分割图,不需要任何后处理步骤。

MSFCN方法就是基于全卷积神经网络的框架,添加了多个有监督的边输出层,每个边输出层都可以通过对比金标准(标准答案)进行损失函数计算得到损失值,然后反向传播损失值信息,进而指导神经网络进行多尺度特征的学习,从而同时获得图像的局部特征和全局特征,在网络的采样上更多的保留了图像中的相关关联信息。最后,科研人员用一个带有权重的融合层将分类结果融合,得到最终的肿瘤分割边界结果。

实验结果表明,相对于全卷积神经网络等其他先进算法,这个方法在相似性、敏感度等多方面指标都有更好的适应性和评估效果。相关研究结果发表在 Computer Methods and Programs in Biomedicine 杂志上(https://doi.org/10.1016/j.cmpb.2017.02.013)。

未标题-18.jpg

图2. 混合型骨肉瘤 CT 图像分割结果。1~4行是4个不同的样本。(a)金标准(标准答案):由经验丰富的放射科医生勾画的肿瘤区域边界(红线);(b)~(e)分别为FCN,U-Net,HED,MSFCN几种算法的分割结果,肿瘤区域边界以不同颜色的实线表示。从图中可以看到,与其他算法分割出的图案相比,MSFCN方法边界圆滑,与“标准答案”的吻合度最高。

除了用于辅助医生制定放化疗或手术方案外,MSFCN方法还可以用在加速影像组学、影像学标记物构建等这些医学影像辅助诊断分析方法方面(图3)。

未标题-19.jpg

图3. 影像组学分析/影像学标记物构建方法流程:首先,科研人员对医学影像进行肿瘤区域分割,得到肿瘤区域;然后,从肿瘤区域提取出灰度、形状等这些影像特征;最后,分析这些影像特征与临床数据信息的关系,从而构建起预测模型。

此外,苏州医工所医学影像室还在肿瘤治疗效果的早期预测方面做了研究,提出了一种DCE-MRI容积转移常数(Ktrans)体素分析方法。

科研人员利用放化疗前、放化疗早期(两周)软组织肉瘤患者的DCE-MRI影像数据,以及放化疗结束后手术病理确认得到的肿瘤细胞坏死率(TCNR)进行研究。科研人员将放化疗前与放化疗早期的DCE-MRI影像对齐,然后基于勾画好的肿瘤区域,构建基于体素的肿瘤区域Ktrans变化图,然后根据这个图计算出肿瘤区域Ktrans显着增加、显着减少和无明显变化的体积分数(F+,F-和F0),将这三个体积分数作为疗效的预测指标。进而对疗效早期预测指标的效果进行评估(图4)。

未标题-20.jpg

图4.不同疗效病例的体素分布图,由a到d治疗效果依次减弱,由图可直观地看出,蓝色区域越多或绿色区域越少,则治疗效果越差。由a到d,F0依次减少(绿色区域),F-依次增加(蓝色区域),TCNR依次减少,疗效依次降低。

实验结果表明,该方法生成的体积分数F-和F0的疗效预测能力优于目前传统的肿瘤疗效评估指标。此外,实验结果可由肿瘤血管正常化理论解释,具有较好的临床意义。相关研究结果发表在European Journal of Radiology杂志上(https://doi.org/10.1016/j.ejrad.2017.08.021)。

来源:中国科学院苏州生物医学工程技术研究所

copyright @ 武汉佰美斯医疗科技有限公司 2014,All Right Reserve. 鄂ICP备06004000号