近年来,直肠癌在我国的发病率逐年攀升,直肠癌患者淋巴结转移诊断是关系肿瘤分期、治疗方案决策和患者预后的重要因素,淋巴结转移术前诊断决定了医生进行手术方案的制定和患者预后情况的评估,对监测残留肿瘤活性和最大限度减少创伤具有重要意义。
多参数磁共振(MP-MRI)已成为术前评估直肠癌淋巴结转移状态首选的影像学检查手段,然而现有检查方法判断淋巴结转移瓶颈在于:腹腔多脏器多间隙背景下的淋巴结识别效率低下,单个淋巴结仅占不到MRI切片面积的千分之一,极易与血管等组织混淆,三维影像的切片数超过20张,经验丰富的影像科医生完成一例患者淋巴结标注,耗时需要3-10分钟;单纯凭借淋巴结自身特征(大小、形态、密度等)界定淋巴结转移缺乏一致性指标,尤其对短径小于5mm的微小淋巴结转移,其诊断准确性始终不足70%,而后者是肿瘤复发和转移的重大隐患。此外,不同医生识别与勾画结果受其主观经验、环境等诸多因素影响,可重复性差,容易误诊和漏诊。因此,临床亟需一种可实现淋巴结全自动检测与分割的工具,辅助医生术前精准诊断。
为此,苏州医工所高欣研究员与中山大学第六附属医院孟晓春主任合作,联合广州、北京、江苏、贵州等四家三甲医院,首次开展了直肠癌淋巴结全自动检测与分割的多中心研究,构建一种全自动淋巴结智能识别方法。该研究共入组373名直肠癌患者,收集了患者的MP-MRI影像数据,选取临床医生识别淋巴结最重要的T2WI和DWI 两个序列,利用基于卷积神经网络(CNN)的Mask-RCNN网络架构,以DWI与T2WI图像配准后融合的一个三通道图像作为网络模型的输入;以三位高年资专家的标注结果作为模型训练的金标准,借助迁移学习方法,完成淋巴结全自动检测与分割模型构建。
研究结果显示,相较其它已报到公开报道的算法,所建模型对不同尺度淋巴结检测均有优异表现(图1),可检测的淋巴结尺度更小(短径低至3mm),精度更高,达到了80.0%和82.0%的检测精度和分割精度,超过现有算法及低年资影像科医生(见表1)。图2展示了所建模型的淋巴结检测结果(红色框),与金标准(黄色框)相比,二者匹配程度极高。该模型完成一例患者的淋巴结检测与分割平均时间仅需1.37s,是医生最快检测速度的131倍。
本研究借助认知计算思想,提出的淋巴结全自动检测与分割模型,是目前所报道的基于MRI影像的淋巴结全自动标定中精度最高速度最快的模型,它利用了计算机自动识别技术可有效降低人为因素对检测结果的影响,减轻了医生工作强度,提升了工作效率,为后续临床决策提供可靠的参考数据。该方法可推广到基于多模态影像(PET、 CT、 MRI 等)的身体各部位肿瘤 N 分期术前评估,对实现胸腹腔乃至全身淋巴结全自动识别具有较高的临床意义和重要的启示作用。
该研究受国家自然科学基金委资助,相关成果作为封面文章(图3)发表于The Lancet(柳叶刀)旗下综合性子刊EBioMedicine(中科院医学类一区Top期刊,影响因子6.68),研究生赵星羽、王蒙蒙为并列第一作者:
论文标题:Deep learning–based fully automated detection and segmentation of lymph nodes on multiparametric-MRI for rectal cancer: a multicenter study.
DOI: https://doi.org/10.1016/j.ebiom.2020.102780
图1. (a) 训练集中不同尺度的淋巴结个数分布图;(b) 内部测试集和外部测试集不同尺度淋巴结个数分布图,以及模型对不同短径淋巴结检测的敏感度变化曲线
表1. 不同方法淋巴结检测结果比较
方法 |
区域 |
成像方式 |
淋巴结短径 |
敏感度 |
查准率 |
时间/例 | |
Ours |
Pelvic |
MRI |
≥3.0mm |
80.0% |
73.5% |
1.37sec | |
Barbu |
Pelvic+ Aebden |
CT |
>10.0mm |
80.0% |
72.6% |
15-40sec | |
Feuerstein |
Mediastinum |
CT |
>1.5mm |
82.1% |
13.3% |
1-6min | |
Kitasaka |
Abdomen |
CT |
>5.0mm |
57.0% |
30.3% |
2-3h | |
Feulner |
Mediastinum |
CT |
>10.0mm |
65.4% |
52.6% |
135sec |
图2. (a) T2WI图像;(b) DWI图像;(c) 融合图像; (d) 融合图像上淋巴结金标准(黄色框);(e) 融合图像上模型检测淋巴结结果(白色框表示真阳性,青色框表示假阳性,橙色框表示假阴性)
图 3. 2020年6月EBioMedicine期刊封面