多模態(tài)影像模型在子宮內(nèi)膜癌診斷中的應(yīng)用分析

王 玲 張玉娟 肖云敏 陳菁特 劉新瓊

子宮內(nèi)膜癌主要是指發(fā)生在子宮內(nèi)膜的一組上皮性惡性腫瘤，屬于女性生殖系統(tǒng)三大惡性腫瘤之一，在女性所有生殖系統(tǒng)惡性腫瘤中占比20%～30%[1]。由于近年來人們生活方式的不斷改變，子宮內(nèi)膜癌的發(fā)病率正呈逐年攀升趨勢，已成為嚴(yán)重威脅女性生命健康安全的重大疾病之一[2]。眾所周知，患者年齡、病理分級、組織學(xué)類型、肌層浸潤深度以及有無淋巴結(jié)轉(zhuǎn)移等因素直接影響了治療方案的選擇以及預(yù)后轉(zhuǎn)歸[3-6]。由此可見，對子宮內(nèi)膜癌患者病情實施準(zhǔn)確的評估具有極其重要的意義，亦是目前臨床廣大醫(yī)務(wù)工作者關(guān)注的熱點。迄今為止，臨床上用以診斷子宮內(nèi)膜癌的手段包括B超、計算機斷層掃描(CT)以及磁共振成像(MRI)等，上述影像學(xué)檢查手段雖然均有一定的診斷價值，仍存在不同程度的漏診率以及誤診率[7]。所以，尋找一種更為準(zhǔn)確、可靠的診斷方式已成為臨床醫(yī)生亟待解決的重要問題。鑒于此，本文通過研究多模態(tài)影像模型在子宮內(nèi)膜癌診斷中的應(yīng)用價值，旨在為臨床診斷提供思路支持，現(xiàn)報道如下。

1 資料與方法

1.1 一般資料

將從2019年7月—2020年6月于我院接受診斷的疑似子宮內(nèi)膜病變患者250例納入研究。將所有受試者按照病理檢查結(jié)果的差異分成子宮內(nèi)膜癌組150例，良性增生組100例。子宮內(nèi)膜癌組年齡22～79歲，平均(50.32±10.73)歲；文化程度：初中及初中以下52例，高中或中專40例，大專28例，本科及以上30例；臨床TNM分期：Ⅰ期61例，Ⅱ期89例；分化程度：低分化27例，中分化47例，高分化26例。良性增生組年齡24～78歲，平均(50.51±10.89)歲；文化程度：初中及初中以下43例，高中或中專22例，大專16例，本科及以上19例。兩組一般資料差異不明顯(P>0.05)，均衡可比。入院標(biāo)準(zhǔn)[8]：①所有受試者均經(jīng)病理診斷確診；②年齡>20歲；③入院前并未接受相關(guān)治療。剔除標(biāo)準(zhǔn)：①存在手術(shù)禁忌癥者；②巨大晚期癌腫或癌腫遠(yuǎn)處侵犯、轉(zhuǎn)移者；③病灶顯示模糊或病灶超出掃查范圍無法獲得完整影像學(xué)圖像者；④精神異?；蛞缽男暂^差者。所有受試者均知情并簽同意書，由醫(yī)院倫理委員會批準(zhǔn)。

1.2 研究方法

1.2.1 經(jīng)陰道彩色多普勒超聲檢測 使用儀器為Voluson E10彩色多普勒超聲診斷儀(購自GE公司)，腔內(nèi)容積探頭，頻率5～9 MHz，以婦科VOCAL軟件包分析。對受試者進行盆腔檢查，明確子宮、附件以及盆腔情況，同時觀察內(nèi)膜厚度、形態(tài)狀況，并在發(fā)現(xiàn)病灶后確定腫瘤部位、大小、回聲以及邊緣情況。此外，檢測子宮內(nèi)膜血流情況，獲取血流參數(shù)，包括微血管密度(MVD)、阻力指數(shù)(RI)以及搏動指數(shù)(PI)。

1.2.2 MRI檢查 使用以為Siemens 3.0 T磁共振掃描儀，常規(guī)掃描使用快速自旋回波序列(TSE)，掃描參數(shù)：①矢狀面T2WI：TR為4 000 ms，TE為106 ms，層數(shù)20，層厚為4 mm，視野為26 cm×22 cm；②軸位/斜軸位T2WI：TR為5 200 ms，TE為98 ms，層數(shù)20，層厚為3.5 mm，視野為25 cm×25 cm；③軸位T1WI：TR為830 ms，TE為11 ms，層數(shù)20，層厚為3.5 mm，視野為25 cm×25 cm。MRI動態(tài)對比增強：TR為5.08 ms，TE為1.74 ms，層數(shù)20，視野為26 cm×26 cm。

1.2.3 多模態(tài)影像模型建立 回顧性分析既往于我院就診并確診的子宮內(nèi)膜癌患者的經(jīng)陰道彩色多普勒及MRI等影像資料。通過醫(yī)學(xué)影像智能軟件，將不同模態(tài)的醫(yī)學(xué)圖像，借助特定的算法，通過一定的處理，從而獲取不同模態(tài)圖像優(yōu)點或互補性生成新的圖像，并對可融合圖像實施數(shù)據(jù)度量以及統(tǒng)計分析。其中MRI檢查獲取的T1、T2圖像以及不同算法的多模態(tài)影像如圖1所示。拉普拉斯金字塔融合算法，也叫多分辨率融合算法。這種方法是將圖像建立一個拉普拉斯金字塔，其中金字塔的每一層都包含了圖像不同的頻段。拉普拉斯金字塔每一層的圖像為同一層高斯金字塔的圖像減去上一層的圖像進行上采樣并高斯模糊的結(jié)果，如圖2所示。GAN算法如圖3所示。圖3類似上圖的博弈式的訓(xùn)練過程，如果采用神經(jīng)網(wǎng)絡(luò)作為模型類型，則被稱為生成式對抗網(wǎng)絡(luò)(GAN)。學(xué)習(xí)過程如圖3。

注：前面2組是正常盆腔的圖片，后面8組均為子宮內(nèi)膜癌病變圖片；Baseline是用拉普拉斯金字塔融合算法得出的結(jié)果；Rresult是指gan算法得出的結(jié)果

圖2 拉普拉斯金字塔融合算法

圖3 GAN算法

1.3 觀察指標(biāo)

比較兩組MVD、RI以及PI水平，不同診斷方式應(yīng)用于子宮內(nèi)膜癌的效能。

1.4 統(tǒng)計學(xué)處理

2 結(jié)果

2.1 兩組MVD、RI以及PI評價

子宮內(nèi)膜癌組MVD高于良性增生組，而RI以及PI均低于良性增生組，差異有統(tǒng)計學(xué)意義(P<0.05)，見表1。

表1 兩組MVD、RI以及PI評價

2.2 不同診斷方式應(yīng)用于子宮內(nèi)膜癌的效能對比

拉普拉斯金字塔融合算法和GAN算法多模態(tài)影像模型診斷子宮內(nèi)膜癌的靈敏度、特異度以及準(zhǔn)確度均高于超聲陰道超聲以及MRI診斷，差異有統(tǒng)計學(xué)意義(P<0.05)；其中GAN算法的靈敏度、特異度以及準(zhǔn)確度高于拉普拉斯金字塔融合算法，但兩組比較差異不明顯，差異無統(tǒng)計學(xué)意義(P>0.05)，見表2～3。

表2 不同診斷方式診斷子宮內(nèi)膜癌的結(jié)果對比

2.3 不同診斷方式應(yīng)用于子宮內(nèi)膜癌臨床分期中的符合率對比

GAN算法多模態(tài)影像模型診斷Ⅰ期、Ⅱ期子宮內(nèi)膜癌的符合率均高于超聲陰道超聲以及MRI檢查，且拉普拉斯金字塔融合算法多模態(tài)影像模型診斷Ⅰ期、Ⅱ期子宮內(nèi)膜癌的符合率均高于超聲陰道超聲檢查，差異有統(tǒng)計學(xué)意義(P<0.05)；拉普拉斯金字塔融合算法多模態(tài)影像模型與GAN算法多模態(tài)影像模型診斷Ⅰ期、Ⅱ期子宮內(nèi)膜癌的符合率對比，差異無統(tǒng)計學(xué)意義(P>0.05)。見表4。

表4 不同診斷方式應(yīng)用于子宮內(nèi)膜癌臨床分期中的符合率對比

3 討論

經(jīng)陰道彩色多普勒超聲具有操作簡便、無創(chuàng)以及可重復(fù)性較高等特點，可充分顯示子宮內(nèi)膜癌病灶的大小以及血流特征，從而為臨床診斷提供參考依據(jù)，且該檢查方式的陰道高頻探頭與子宮距離較近，可較為清晰顯示子宮內(nèi)膜形狀以及回聲，且有效準(zhǔn)確測量患者子宮內(nèi)膜厚度，繼而提高對較小病灶的檢出率，并為肌層浸潤深度的判斷提供參考依據(jù)[9-11]。CT具有較高的組織分辯能力，可較為直觀地判斷腫瘤是否發(fā)生淋巴結(jié)或(和)遠(yuǎn)處轉(zhuǎn)移情況，同時可清晰顯示盆腔腫瘤的數(shù)量、大小、范圍以及和周圍組織的關(guān)系，通過三維重建技術(shù)判斷病變范圍，繼而達(dá)到提高臨床診斷的目的[12-14]。MRI具有較高的組織分辨力，可利用改變圖像參數(shù)以提高對比度，從而較為清晰地顯示腫瘤對周圍肌層和器官的侵犯程度，同時可通過改變參數(shù)以提高組織對比度，繼而提高診斷準(zhǔn)確度，繼而促使醫(yī)師全面掌握腫瘤大小以及形態(tài)等情況，為臨床診斷提供指導(dǎo)作用[15-17]。將多模態(tài)影像予以融合是目前影像學(xué)發(fā)展的趨勢，且隨著人工智能時代的來臨，將神經(jīng)網(wǎng)絡(luò)、模糊邏輯等理論應(yīng)用于影像融合技術(shù)中，按照不同需求對圖像實施自動分割以及融合，繼而實現(xiàn)“虛擬現(xiàn)實”技術(shù)是影響融合研究的新方向[18-19]。

本文結(jié)果發(fā)現(xiàn)，子宮內(nèi)膜癌組各項子宮內(nèi)膜血流參數(shù)相較于良性增生組差異明顯。這在夏曉偉等[20]人的研究報道中得以佐證：子宮內(nèi)膜癌的PI、RI、MVD分別為(0.59±0.15)、(0.42±0.10)、(21.29±4.81)，和良性疾病組的(1.03±0.29)、(0.60±0.07)、(6.43±2.73)相比差異明顯。表明了經(jīng)陰道彩色多普勒超聲檢查可作為子宮內(nèi)膜癌的有效診斷手段之一。分析原因，MVD是臨床上用以評估組織血管生成的敏感指標(biāo)，可直接反映組織血管的生成程度；RI值可有效反映腫瘤組織內(nèi)新生血管生成情況，其值越低反映了腫瘤組織血管越豐富；PI值則是用以反映血流阻力大小的重要指標(biāo)，當(dāng)血流速度較低以及血管阻力升高時，PI值越大，可有效反映整個血流周期平均流速以及血流波形狀況，間接預(yù)示組織內(nèi)的血管生長情況[21-23]。此外，多模態(tài)影像模型診斷子宮內(nèi)膜癌的效能優(yōu)于超聲陰道超聲以及MRI診斷。究其原因，多模態(tài)影像模型主要是對多模態(tài)影像實施融合，從而提取不同模態(tài)圖像的信息，繼而獲取機體多方面的信息，實現(xiàn)信息的互補以及交叉驗證。而本文通過收集經(jīng)陰道彩色多普勒和MRI等多種模態(tài)影像學(xué)資料，借助融合軟件進行影像學(xué)資料的融合，繼而構(gòu)建子宮內(nèi)膜癌病變的模型，從而可幫助醫(yī)生更為全面、直觀地觀察病灶解剖部位及其和周圍組織的關(guān)系，進一步達(dá)到提高診斷精確性的目的。同時，多模態(tài)影像模型可通過模擬人腦建立分層模型，存在較為強大的自動特征提取，復(fù)雜模型構(gòu)建，高效特征表達(dá)等能力，從而可自像素級的原始數(shù)據(jù)中提取自底層至高層的特征，繼而為臨床診斷提供了參考依據(jù)。另外，多模態(tài)影像模型診斷子宮內(nèi)膜癌臨床分期的符合率高于超聲陰道超聲以及MRI診斷。究其原因，作者認(rèn)為多模態(tài)影像模型主要是通過借助智能軟件融合受檢者的引導(dǎo)超聲以及MRI影像圖片，實現(xiàn)病變模型的重建，并將多模態(tài)影像圖片所包含的信息融合至同一模型，建立可分辨子宮內(nèi)膜癌病變以及侵犯范圍的影像模型，繼而提高對受檢者臨床分期的診斷準(zhǔn)確性。

綜上所述，多模態(tài)影像模型應(yīng)用于子宮內(nèi)膜癌診斷中具有較高的價值，相較于傳統(tǒng)影像學(xué)檢查，可顯著提高診斷靈敏度、特異度以及準(zhǔn)確度，具有較高的臨床推廣應(yīng)用價值。且GAN算法的應(yīng)用價值可能更為理想。