European Radiology：使用全卷积神经网络的MR自动前列腺多区域分割

现阶段，磁共振成像（MRI）被广泛用于前列腺癌（PCa）的检测、定位和诊断，数字直肠检查（DRE）、前列腺特异性抗原（PSA）检测和盲目活检都有一定的局限性。PSA蛋白由癌性和非癌性前列腺组织产生，具有非特异性，通常不适合做出最终诊断。经直肠超声（TRUS）活检具有一定的漏诊率。近年来，MRI引导和MRI/US融合靶向活检被开发出来并引入临床，越来越多的商业设备允许MRI的多参数能力来瞄准病变进行取样。

MRI给放射科医生带来了巨大的诊断工作量。前列腺MRI报告将受益于对腺体的自动分析，以量化PSA密度和肿瘤/前列腺比例等指标，并通过先进的计算机辅助检测（CADe）应用来帮助放射科医生识别、定位和对病变评分。一个强大的、经过广泛验证的自动分割算法将提高前列腺和肿瘤体积计算的效率、简化MRI/US融合程序并为剂量放疗画出感兴趣区。

中央-过渡区（CZ-TZ）、周边区（PZ）和精囊区（SVs）之间的区分，能够进一步开发出遵循PI-RADS v2.1的临床评估工具。此外，前列腺分割可用于自动提取成像生物标志物，如扩散加权成像（DWI）的表观扩散系数和动态增强（DCE）序列的Ktrans可用于评估潜在的肿瘤区域。

由于MRI采集中存在患者内、患者间和设备间的差异性，自动分割前列腺是一个挑战。深度学习（DL）领域的最新发展可以显著提高使用卷积神经网络（CNN）自动分割前列腺的性能，以及CZ-TZ和PZ的区分。到目前为止，还没有一种方法可以在多个机构、国家和大陆之间验证CZ-TZ和PZ的分割以支持准确的归纳。此外，纳入SV可以帮助放射科医生评估PCa在前列腺以外的肿瘤侵袭性。

近日，发表在European Radiology杂志的一项研究提出了一种基于CNN的深度监督的自动前列腺多区域分割方法以识别和区分CZ-TZ、PZ和SV，并在不同机构、国家和大陆进行了验证。

本项研究纳入了来自7个国家和3个不同供应商的10台机器的243个T2加权前列腺研究的异质数据库，其CZ-TZ、PZ和SV区域由两位经验丰富的放射科医生手动划定（基础事实），用于训练（n = 123）和测试（n = 120）一个基于U-Net的模型，并使用循环学习速率进行深度监督。该模型的性能是通过骰子相似度系数（DSC）等手段进行评估的。DSC高于0.7的分割结果被认为是准确的。 

在测试集的120项研究中，将预测的分割结果与基础事实相比较，所提出的方法对前列腺、CZ-TZ、PZ和SV的DSC分别为0.88±0.01、0.85±0.02、0.72±0.02和0.72±0.02。在不同的制造商或大陆之间获得的结果没有发现统计学上的显著差异。 

 图 由专家手动分割的基础事实标签。在图像中划分了三个区域。CZ-TZ（红色）、PZ（绿色）和SV（蓝色）

本项研究表明，在MRI研究中，前列腺多区域T2加权分割可以通过类似CNN的U-Net来实现。所获得的结果在具有不同设备、采集配置和病人群体的高度变化的临床环境中是可以推广的。结果表明，DL方法不仅适用于分割前列腺，还适用于区分组成前列腺的CZ-TZ和PZ，另外还可以识别SV。这种自动方法可以帮助放射科医生按照PIRADS指南评估前列腺癌的分级，并按照PIRADS v2.1指南准确评估前列腺中具有临床意义的前列腺癌病灶。

原文出处：

Ana Jimenez-Pastor,Rafael Lopez-Gonzalez,Belén Fos-Guarinos,et al.Automated prostate multi-regional segmentation in magnetic resonance using fully convolutional neural networks.DOI:10.1007/s00330-023-09410-9