基于深度學(xué)習探索3D MRU尿路分割的初步研究

奈日樂，林子楹，額·圖婭，吳鵬升，張耀峰，張曉東，王霄英

在臨床上，由于泌尿系統(tǒng)的梗阻使尿液從腎盂排出障礙導(dǎo)致腎盂腎盞擴張并潴留尿液，統(tǒng)稱腎積水。腎積水的原因大多是輸尿管的梗阻或壓迫所致。成人多是由于腎結(jié)石引起或腫瘤壓迫所致[1]；在嬰幼兒童中，病因最常見于腎盂輸尿管連接部狹窄(ureteropelvic junction obstruction，UPJO)[2]。臨床診斷腎積水有賴于超聲、靜脈腎盂造影(intravenous pyelography，IVP)、CT泌尿系成像(computed tomography urography，CTU)、磁共振尿路成像(magnetic resonance urography，MRU)、核素SPECT腎動態(tài)掃描等影像檢查[3]。IVP、CTU、腎動態(tài)掃描等具有電離輻射的潛在危害，MRU診斷尿路梗阻無需注射對比劑，降低了有創(chuàng)性檢查風險，能夠幫助醫(yī)生多方位、無創(chuàng)地觀察患者輸尿管、腎、膀胱入口段、膀胱壁等局部的情況，清晰呈現(xiàn)梗阻部位以及梗阻導(dǎo)致擴張積水的程度，以便醫(yī)師準確判斷尿路病變征象[4]。

對尿路梗阻部位的定位、量化及評價梗阻程度時，首先要對三維(3D) MRU圖像中尿路區(qū)域進行分割，目前基于深度學(xué)習算法對MRU尿路的分割在國內(nèi)外還未見廣泛報告。近年來隨著人工智能(artificial intelligence，AI)技術(shù)在醫(yī)學(xué)影像領(lǐng)域的臨床應(yīng)用，對于多種疾病的檢出、定性診斷和定量評估均呈現(xiàn)出良好的應(yīng)用前景[5-7]。本研究的目的是探索使用深度學(xué)習方法在3D MRU圖像上分割全尿路的可行性。

材料與方法

本研究獲得了倫理審查委員會的批準(批件號：[2019(170)])，按照本單位人工智能AI模型訓(xùn)練規(guī)范執(zhí)行研究方案。

1.用例定義

根據(jù)本單位AI訓(xùn)練管理方法定義研發(fā)MRU尿路分割模型的用例。包括：模型的ID、臨床問題、場景描述、模型在實際工作中的調(diào)用流程、模型輸入輸出數(shù)據(jù)結(jié)構(gòu)等。

2.數(shù)據(jù)收集

回顧性收集本院PACS系統(tǒng)中2021年1月1日-2021年4月30日包含“MRU”檢查項目的圖像。納入標準：①圖像中有完整的3D MRU序列；②無明顯治療后改變，如手術(shù)、造瘺、置管等；③無明顯畸形，如重復(fù)腎畸形、孤立腎、馬蹄腎等。排除標準：①圖像質(zhì)量不佳，有明顯的運動偽影或信噪比低；②圖像格式無法轉(zhuǎn)換。共納入符合條件的病例217例，219個3D MRU圖像，男性105例，女性112例，年齡13～90歲，平均(52.31±18.37)歲。

3.圖像采集參數(shù)

全部MRCP圖像來源于本院4臺MR檢查設(shè)備(Philips Ingenia 3.0T、Siemens Aera 1.5T、GE Discovery MR790 3.0T和GE Discovery MR750 3.0T)，均使用3D激發(fā)T2WI對比的MRU序列，冠狀薄層掃描。

4.圖像標注

從PACS導(dǎo)出的DICOM格式批量轉(zhuǎn)換為NIFTI(Neuroimaging Informatics Technology Initiative)格式。由兩名影像科住院醫(yī)生利用ITK-SNAP軟件勾畫出雙側(cè)腎盂、腎盞、輸尿管及膀胱的輪廓。如有明顯充盈缺損，應(yīng)包含充盈缺損的區(qū)域。勾畫結(jié)果經(jīng)高年資影像醫(yī)生審查及修改后，作為深度學(xué)習分割訓(xùn)練、調(diào)優(yōu)及測試數(shù)據(jù)的參考勾畫。

5.模型訓(xùn)練

模型訓(xùn)練的硬件為GPU NVIDIA Tesla P100 16G，軟件包括Python3.6、Pytorch 0.4.1、Opencv、Numpy、SimpleITK等。采用3D U-Net網(wǎng)絡(luò)訓(xùn)練深度學(xué)習模型。將217例數(shù)據(jù)隨機分為訓(xùn)練集(train set，n=173)、調(diào)優(yōu)集(validation set，n=22)、測試集(test set，n=22)。輸入圖像為3D MRU圖像及MRU尿路的標簽，輸出數(shù)據(jù)為尿路的自動分割勾畫結(jié)果(圖1)。

6.模型評價

客觀評價方法：以Dice相似性系數(shù)(Dice similarity coefficient，DSC)以及霍夫曼距離(Hausdorff distance，HD)值評估測試集尿路自動分割勾畫的效果。

主觀評價方法：由影像科醫(yī)師分別對MRU尿路分割模型中雙側(cè)腎盂-腎盞、輸尿管及膀胱的自動分割勾畫結(jié)果進行主觀評價，評價內(nèi)容包括覆蓋率(正確識別區(qū)域占比)、超出率(錯誤識別區(qū)域占比)、邊緣契合度(與真實邊緣相差小于0.5 mm視為邊緣契合)，分段小計為6分，總計為30分(表1)。

表1 MRU分割模型的主觀評價

7.統(tǒng)計學(xué)分析

圖1 MRU尿路分割模型訓(xùn)練流程圖。

結(jié) 果

1.客觀評價

MRU分割模型對測試集數(shù)據(jù)的自動分割勾畫結(jié)果的DSC及HD值見表2。MRU分割模型的測試集共22個數(shù)據(jù)(圖2)，DSC值均達到0.70及以上，右側(cè)輸尿管、左側(cè)輸尿管、左側(cè)腎盂-腎盞、右側(cè)腎盂-腎盞及膀胱的分割結(jié)果DSC值分別為0.81、0.70、0.85、0.95、0.98，HD值分別為(43.01±41.24)mm、(65.1±66.80)mm、(37.8±52.48)mm、(52.08±69.88)mm、(10.06±20.76)mm。根據(jù)影像報告中是否診斷尿路擴張積水，將測試集分為尿路梗阻和非梗阻兩類測試集，其DSC值及HD結(jié)果見表2。

表2 MRU分割模型對測試集數(shù)據(jù)自動分割勾畫結(jié)果的準確性評估

2.主觀評價

由兩名影像醫(yī)生對測試集的自動分割勾畫結(jié)果進行主觀評價的得分比例見圖3。對 MRU尿路自動分割勾畫結(jié)果的評價中，兩名影像醫(yī)生的主觀評價結(jié)果差異無統(tǒng)計學(xué)意義(P>0.05)。兩名影像醫(yī)生對測試集分割結(jié)果的主觀評分ICC值見表3，總分的ICC值為0.95(95%CI：0.89～0.98)，分段評價的ICC值見表3。

表3 兩名影像醫(yī)生對測試集自動分割勾畫結(jié)果的主觀評價得分及一致性評價

討 論

訓(xùn)練3D MRU深度學(xué)習模型是為了在影像醫(yī)生診斷泌尿系統(tǒng)疾病時，可以輔助影像醫(yī)生實現(xiàn)梗阻部位定位、定量、定性診斷并評估梗阻積水程度。影像醫(yī)生采用3D MRU序列是通過觀察尿路中有無明確的充盈缺損，其次有無梗阻導(dǎo)致的擴張積水，最后結(jié)合MR其他序列對梗阻原因進行定性診斷。筆者希望模擬影像醫(yī)生的診斷思路構(gòu)建一個深度學(xué)習模型來幫助影像醫(yī)生進行診斷，首先需要深度學(xué)習模型識別尿路，做到精確的解剖定位，這也是本次探索性實驗的目的，而實驗的結(jié)果也證明了深度學(xué)習模型可以做到尿路的精確分割，不管是在梗阻還是非梗阻的3D MRU圖像中，這也為后續(xù)MRU的定位、定量及定性診斷提供基礎(chǔ)。

圖2 MRU深度學(xué)習分割模型預(yù)測數(shù)據(jù)。a、b、c、d、e)分別為3D MRU序列中右側(cè)腎盂-腎盞、左側(cè)腎盂-腎盞、右側(cè)輸尿管、左側(cè)輸尿管及膀胱的原始圖像； f、g、h、i、j)分別為參考勾畫；k、l、m、n、o)分別為模型自動分割勾畫結(jié)果；p)參考勾畫的3D圖像；q)模型自動分割勾畫結(jié)果的3D圖像。右側(cè)腎盂-腎盞、左側(cè)腎盞-腎盂、右側(cè)輸尿管、左側(cè)輸尿管及膀胱的DSC值分別為0.91、0.90、0.94、0.97、0.99，HD值分別為9.54mm、10.14mm、16.13mm、2.47mm、1.20mm。兩名影像醫(yī)生的主觀評價得分均為30分。

圖3 a、b)分別為兩名影像醫(yī)生對測試集(n=22)自動分割勾畫結(jié)果的主觀評分各分數(shù)比例，對雙側(cè)腎盂-腎盞、輸尿管及膀胱的評分最低為4分，最高為6分。

本研究通過分割3D MRU序列中尿路影像，以獲取完整的尿路，其分割結(jié)果的客觀評價DSC值及HD值結(jié)果相對令人滿意，在全部測試集中DSC值均達到了0.70以上，除左側(cè)輸尿管外，均達到了0.80以上。依據(jù)影像報告結(jié)果將測試集分為了梗阻和非梗阻兩類測試集，其DSC值也均達到了0.70以上，說明模型對于梗阻及非梗阻的尿路分割效果均較為理想。膀胱的DSC值高達0.97、0.99，因常規(guī)掃描前患者飲水憋尿進行掃描，膀胱一般都是充盈狀態(tài)，形態(tài)較規(guī)則，所以模型分割的效果理想。對于雙側(cè)腎盂-腎盞的分割效果也是令人滿意的，無論是梗阻還是非梗阻尿路情況，且對于腎盂、輸尿管的劃分也是準確的。但對于雙側(cè)輸尿管的分割效果相對較差，分析數(shù)據(jù)時發(fā)現(xiàn)在非梗阻情況下雙側(cè)輸尿管是不擴張的，有時斷續(xù)顯影或不顯影，這無疑加大了模型分割的難度；在梗阻情況下，部分為輸尿管內(nèi)占位，因尿路中缺少尿液成分而導(dǎo)致輸尿管顯影欠佳；同時在兩側(cè)輸尿管周圍會有腸管，模型誤認部分腸管為輸尿管，這也導(dǎo)致了分割結(jié)果的偏差。在主觀評價中兩名影像醫(yī)生對于雙側(cè)腎盂-腎盞、輸尿管及膀胱的主觀評分中位數(shù)均達到6.00，總分中位數(shù)均為29.00，兩名影像醫(yī)生對于模型分割效果是滿意的；對兩名影像醫(yī)生評分進行一致性分析，結(jié)果顯示相對高的一致性，說明兩名影像醫(yī)生的評分結(jié)果基本一致，驗證了MRU分割模型具有較高的可行性和有效性。

人工智能技術(shù)已廣泛應(yīng)用于泌尿系疾病如前列腺癌、膀胱癌、腎癌、尿路結(jié)石等泌尿疾病的輔助診斷[8-12]，U-Net深度學(xué)習網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于醫(yī)學(xué)圖像的臟器分割[13-14]，但對MRU的分割在國內(nèi)外尚未見廣泛報告。本研究為初步探索性研究，其意義是證明了訓(xùn)練深度學(xué)習模型在3D MRU圖像上分割尿路是可行的。本文匯報的模型是一系列MRU診斷模型中的起始部分，后續(xù)結(jié)合MRU自動測量程序、MRU病灶定位模型和病灶分類模型，可以基本實現(xiàn)MRU的輔助診斷。上述定量、定性結(jié)果及自動截取的關(guān)鍵圖像可輸入到結(jié)構(gòu)化報告中，由影像科醫(yī)生審核后發(fā)布，有望提高影像科醫(yī)生的工作效率。另外，尿路梗阻導(dǎo)致擴張積水時，影像醫(yī)生給予定性的主觀評價[15]，借助3D MRU圖像對尿路自動分割、自動定量測量，可提供更精準的客觀評價指標，對患者病情評價和療效評估價值更高。

本實驗存在一定局限性，首先本研究納入病例為單中心數(shù)據(jù)，應(yīng)增加多中心、多設(shè)備數(shù)據(jù)以提升AI模型的泛化能力；其次本實驗僅限于正常MRU圖像，未涉及其他臨床場景，如先天畸形、術(shù)后改變等，未來應(yīng)擴展更多應(yīng)用場景，增加不同場景下的數(shù)據(jù)迭代模型；最后在訓(xùn)練模型時只應(yīng)用3D MRU序列，可以加入更多序列如冠狀面T2WI等使模型更加多能，提高模型在實際應(yīng)用的適用性。

綜上所述，本研究驗證了基于深度學(xué)習的3D MRU尿路自動分割勾畫在臨床實踐中的可行性。自動分割勾畫結(jié)果與參考勾畫具有較好的一致性，影像醫(yī)生對自動勾畫結(jié)果的主觀評價滿意。應(yīng)用MRU尿路分割模型，可為后續(xù)MRU的定位、定量及定性診斷提供基礎(chǔ)。