基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究.pdf
《基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、*通讯作者(ChinJLabDiag2023,27:0639)talSegmentati第2 7 卷第6 期2023年6 月中国实验诊断学639文章编号:10 0 7 42 8 7(2 0 2 3)0 6 0 6 39-0 4基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究李静,孙静涛1*,王可欣?,张耀峰”,李世佳”,王霄英4(1.唐山市妇幼保健院放射科,河北唐山0 6 30 0 0;2.首都医科大学基础医学院,北京10 0 0 6 9;3.北京赛迈特锐医学科技有限公司,北京10 0 0 6 9;4.北京大学第一医院医学影像科,北京10 0 0 34)摘要:目的探讨深度学习方法训练模型
2、在颅脑T2Flair图像中自动分割脑胶质瘤的可行性。方法回顾性收集2 0 15年3月到2 0 19年9月脑胶质瘤患者的MRI图像,共获得8 1位患者的合格T2Flair图像。由1位影像医生逐层标注胶质瘤的范围,由另1位高年资影像医生检查并修改。将标注好的数据按照8:1:1的比例随机分为训练集(n=6 3)、调优集(n=9)和测试集(n=9)用于3DU-Net分割模型的训练。以测试集数据的Dice相似系数(Dice simi-laritycoefficient,DSC)为客观评价指标,评价模型分割效果,并比较模型预测脑胶质瘤体积和医生标注胶质瘤体积的差异。结果测试集中模型预测的DSC值为0.7
3、40.94,中位数为0.8 8(0.8 4,0.90)。医生标注脑胶质瘤的体积为32.7168.1cm,中位数为146.0(9 1.7,16 2.0)cm,模型预测脑胶质瘤体积为35.8 17 0.9 cm,中位数为113.0(93.7,134.0)c m,其绝对误差率为0.0 0 0.2 3,中位数为0.16(0.0 7,0.19)。结论基于深度学习模型可初步实现在T2Flair图像中自动分割脑胶质瘤,有望用于脑胶质瘤的智能诊断。关键词:脑胶质瘤;磁共振成像;深度学习;分割;U-Net中图分类号:R-05;R 7 39.41文献标识码:ALI Jing,SUN Jing-tao,WANG K
4、e-rin?,et al.on of glioma on T2Flair images using deep learning model(1.Tangshan Women and Children s Hospital,Tangshan 063000,China;2.School of Basic Medical Sciences,CapiMedicalUniversity,Beijing100069,China)Abstract:Objectivee To explore the feasibility of deep learning model for automatic segmen
5、tation of glioma onT2Flair images.Methods MRI images of 81 patients with glioma were collected retrospectively from March 2015 toSeptember 2019.The gliomas on T2Flair images were manually labeled by one radiologist and were checked and revisedby another radiologist.All data were randomly divided int
6、o train set(n=63),validation set(n=9)and test set(n=9)according to the ratio of 8:1:l:The Dice similarity coefficient(DSC)of the test dataset was used to evaluate the model.The volume difference between the manually labeled areas and the predicted areas were calculated.Results The DSCsin the test da
7、taset were 0.740.94,and the median was 0.88(0.84,0.90).The volume of the manually labelled areaswas 32.7168.1 cm,with a median of 146.0(91.7,162.07)cm.The volume of the predicted labelled areas was 35.8170.9 cm,and the median was 113.0(93.7,134.0)cm.The absolute difference ratio between the manual l
8、abel andpredicted label was 0.000.23 with a median of 0.16(0.07,0.19).Conclusion The 3D U-Net deep learning modelcan achieve automatic segmentation glioma on T2Flair images,which make it possible for the automatic diagnosis of gli-oma in the future.Key words:Glioma;Magnetic resonance imaging;Deep le
9、arning;Segmentation;U-net脑胶质瘤是最常见的中枢神经系统(CNS)原发性肿瘤,占原发性CNS肿瘤的32%,占CNS恶性肿瘤的8 1%,脑胶质瘤年平均发病率为3.19/10万 1)。世界卫生组织(WHO)将脑胶质瘤分为低级别胶质细胞瘤(LGGs,I级或I级)和高级别胶质细胞瘤(HGGs,级或IV级)2 ,其中30%是基金项目:河北省医学科学研究课题(2 0 2 2 17 54)LGGs3-4,尽管预后相对良好,但几乎所有LGGs最终都会发生恶性转化发展为HGGs,导致高发病率和高死亡率 5。脑胶质瘤还可以引起一些并发症,如颅内压升高、脑水肿、脑疝和精神疾病等 6 。磁共振
10、成像(MRI)作为一种非侵人式工具,是诊断和监测CNS恶性肿瘤的首选成像方法7。常规MRI序列如T1WI、T 2 W I、T 2 液体衰减反转恢复序列(T2Flair)和T1对比增强(T1-CE)是脑胶质瘤检查的常规方案 8 ,在这些序列中,T2Flair是评价脑胶ChinJLabDiagn,June,2023,Vol 27,No.6640质瘤主要成像序列之一,其在浸润的肿瘤边缘与正常脑组织间具有最佳对比 9,并可以在非强化状态下捕捉一些特征,对肿瘤表型系统地量化10 1。近年来,计算机视觉和深度学习11已经应用于医学成像。图像分割是图像处理技术的基本步骤,可以手动、半自动或自动执行。脑胶质瘤
11、的自动分割将使医生能够更早地发现肿瘤的生长情况,是准确评估和监测肿瘤反应的必要工具,对诊断、分期、放疗计划、手术方案和治疗评估有重要影响 12 。本研究的目标是研究深度学习方法训练模型在颅脑T2Flair图像中自动分割脑胶质瘤的可行性,为脑胶质瘤将来的智能诊断做出初步探索。1材料与方法1.1一般资料回顾性纳人影像归档和通信系统(PACS)中2015年3月至2 0 19年9月经病理证实的脑胶质瘤患者8 1例,均进行了T2Flair检查,其中男44例,女37 例,年龄7 7 8 岁,平均(48.2 6 14.6 6)岁。根据WHO对神经上皮性肿瘤的分类 2 ,对肿瘤进行了分级,其中2 4例患者为级
12、(12 例少突胶质细胞瘤、4例星形细胞瘤、4例弥漫性星形细胞瘤、1例多形性黄色星形细胞瘤和3例节细胞胶质瘤),31例为级(13例为间变型少突胶质细胞瘤、11例为间变型星形细胞瘤、4例为间变型室管膜瘤和3例为间变型多形性黄色星形细胞瘤),2 6 例为IV级胶质母细胞瘤(GBM)。患者临床表现为头痛、头晕、言语不利和四肢无力等。纳人标准:(1)经手术病理确诊;(2)MRI检查前未做颅内减压、化疗或者放射治疗。排除标准:MRI图像质量不能满足评价要求(如运动或其他伪影等)。最终获得8 1位患者的T2Flair用于训练深度学习模型(图1)。本项目为回顾性研究,获得了伦理审查委员会批准。1.2MRI扫描
13、参数采用3.0 T(飞利浦,荷兰)MRI成像系统和头颅8 通道正交线圈。T2Flair序列扫描参数:重复时间(TR)=8 0 0 0 90 0 0 m s,回波时间(TE)=12 5140ms,显示野(FOV)=2 30 m m X 2 19m m,层厚=6mm,层间距=6 mm,矩阵=2 32 X181。所有MRI图像数据均来自同一台MRI机。1.3数据标注将T2Flair图像导人数据管理平台,由DICOM格式转换为Nifty格式。由一位影像医生(阅片经验9年)使用ITK-SNAP软件(Version3.6.0,ht-tp:/www.itksnap.org/)逐层标注T2Flair图像上的脑
14、胶质瘤。由另一名具有15年阅片经验的影像专家进行审核。以手工标注的标签作为评价模型分割性能的评价标准(图2)。数据收集2015年3月至2 0 19年9月MRIT2Flair检查纳入标准:(1)经手术病理确诊:(2)MRI检查前未做颅内减压、化或者放射治疗。排除标准:入组MRI图像质量不能满足评价要出组求(如运动或其他伪影等)。最终病例n=81标注训练训练集调优集测试集n=63=9n=9图1本实验模型训练及临床场景应用的流程图T2Flair病灶手工标注手工标注3D病灶图2标注脑胶质瘤区域1.3.1模型训练训练过程在GPUNVIDIATeslaP10016G上进行,软件环境包括Python3.6、
15、Pytorcho.4、O p e n c v、Nu mp y 和SimpleITK。使用3DU-Net深度学习网络训练脑胶质瘤分割模型,使第2 7 卷第6 期2023年6 月中国实验诊断学641用Adam作为训练优化器将8 1例数据按照8:1:1的比例随机分为训练集(n=63)、调优集(n=9)和测试集(n=9)。模型训练时每批次输入数据量(batchsize)设定为10,学习率(learningrate)为0.0 0 0 1,模型迭代次数为300个周期(epoch)。1.3.2模型评价以Dice相似系数(DSC)对测试集数据的分割性能进行定量评估。基于体素自动计算脑胶质瘤手工标注体积和模型预
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 T2Flair 图像 分割 胶质 病灶 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。