European Radiology：利用深度学习对肾上腺增生进行CT全自动分类

肾上腺皮质增生可在能够刺激肾上腺皮质组织生理性过度生长的多种情况下，包括库欣病、异位肾上腺皮质激素综合征、原发性醛固酮增多症和先天性肾上腺增生。肾上腺增生症通常由放射科医生根据肾上腺增厚来诊断，但尚未建立明确的定量标准。因此，人们利用肾上腺体积来描述可引起肾上腺增生的各种病理情况。然而，人工对肾上腺进行三维分割十分耗时，在临床实践中并不可行。此外，有报道称CT上偶然出现的肾上腺增生的发生率高达13.5%。虽然其中大多数是无功能的，但越来越多的证据表明，在这些病例中，有相当一部分存在临床或亚临床的肾上腺功能障碍，代谢和心血管疾病的风险增加。因此，当我们在CT上遇到偶然的肾上腺增生时，建议临床医生进一步调查内分泌功能，这在临床上非常重要。然而，由于肾上腺体积较小，偶然增大的肾上腺在腹部CT的报告中常常被忽略。在这方面，肾上腺的自动精确分割可以帮助临床医生诊断特定的内分泌疾病，并可根据肾上腺体积的变化评估治疗反应并识别亚临床肾上腺功能障碍的患者。

最近，深度学习（DL）方法在医学成像中的腹部器官分割方面取得了很高的性能。然而，由于肾上腺体积小、形状复杂、与周围组织的边界粘连，其自动分割仍然具有挑战性。据我们所知，肾上腺的分割模型还没有在临床上应用。

近日，发表在European Radiology杂志的一项研究开发了一种肾上腺的自动分割算法并在腹部CT扫描上进行了验证，并使用预测的肾上腺体积和病人的特征（性别、身高和体重）来诊断肾上腺增生。

本项回顾性研究评估了2010年至2021年48名肾上腺增生患者和260名正常腺体患者的308张腹部CT扫描的自动肾上腺分割情况（平均年龄42岁；156名女性）。数据集按6:2:2的比例分成训练、验证和测试集。使用增强CT图像和手动绘制的肾上腺掩模来开发基于U-Net的分割模型。预测的肾上腺体积是通过对数据集进行五倍分割而得到的，没有重叠的测试集。使用肾上腺体积和人体测量参数（身高、体重和性别）来开发一种算法来对肾上腺增生进行分类，并使用多层感知器、支持向量分类、随机森林分类器和决策树分类器。为了衡量所开发模型的性能，使用骰子系数和类内相关系数（ICC）进行分割，并使用接受者操作特征曲线下的面积（AUC）、准确性、敏感性和特异性进行分类。 

研究显示，用于分割肾上腺的模型在308例中达到了0.7009的Dice系数，肾上腺体积的ICC为0.91（95%CI，0.90-0.93）。对增生症进行分类的模型有以下结果：AUC，0.98-0.99；准确性，0.948-0.961；敏感性，0.750-0.813；和特异性，0.973-1.000。 

图 预测的正常肾上腺和肾上腺增生的掩模。分割模型准确地分割了正常肾上腺（a）和弥漫性肾上腺增生（b），每个病例的平均Dice评分为0.83。然而，对于结节性肾上腺增生，模型只将腺体的肾形识别为实质（c，绿色），而没有识别出包括在基础真相中的结节部分（箭头）（d，红色）。这个病例的平均Dice得分是0.46

本项研究从正常肾上腺和肾上腺增生患者的增强腹部CT扫描中开发了一个全自动的肾上腺分离模型，并提出了一个机器学习模型，该模型可利用肾上腺体积和人体测量参数对肾上腺增生症进行分类。这些模型可以帮助临床医生诊断和监测影响肾上腺实质的各种肾脏疾病，提高了临床工作效率并降低了漏诊率。

原始出处：

Taek Min Kim,Seung Jae Choi,Ji Yeon Ko, et al.Fully automatic volume measurement of the adrenal gland on CT using deep learning to classify adrenal hyperplasia.DOI:10.1007/s00330-022-09347-5