摘要
直肠癌的发病率逐年攀升，直肠癌患者淋巴结转移状态的术前评估结果决定了手术方案的制定和患者预后情况的评估，对监测残留肿瘤活性和最大程度减少创伤具有重要意义。多参数磁共振(Multiparameter magnetic resonance imaging，MP-MRI)已成为术前评估淋巴结转移状态首选的影像学检查方法，医生通过肉眼识别MP-MRI上肿瘤区域附近淋巴结位置、数量及形态对其进行评估，而淋巴结直径通常为3-10mm，在临床常用的切片分辨率为0.5×0.5mm2、尺寸为512×512个像素的影像中，淋巴结区域不到切片面积的千分之一，且极易与血管等组织混淆，此外，MP-MRI的切片数可达20-50张，经验丰富的影像科医生完成一例患者的淋巴结标注，耗时需5-10分钟。另一方面，不同医生的识别与勾画结果受其主观经验影响，重复性不高。因此，临床亟需一种淋巴结全自动检测与分割方法。 本文针对直肠癌淋巴结检测与分割难题，构建基于MP-MRI与深度学习的全自动淋巴结检测和分割模型(Automatic Lymph Nodes Detection and Segmentation，auto-LNDS)。通过4个中心的数据收集，共入组374名直肠癌患者，收集了患者的MP-MRI影像数据，将来自同一中心的293例和31例患者划分为训练集和内部测试集，其他3个中心的50个患者划分为外部测试集。配准融合MP-MRI中的T2加权图像和弥散加权图像生成三通道融合图像，以融合图像作为基于卷积神经网络的Mask-RCNN网络模型的输入，以三位高年资专家的标注结果作为模型训练的金标准，借助迁移学习方法，完成auto-LNDS模型构建。 研究结果显示，对于淋巴结检测，auto-LNDS在内部和外部测试数据集上的灵敏度、阳性预测值和假阳性率分别达到了80.0％、73.5％、8.6个/例和62.6％、64.5％、8.2个/例，显著优于初级放射科医生。对于淋巴结分割，auto-LNDS在内部和外部测试数据集上的Dice相似系数分别达到0.82和0.81。auto-LNDS在内部和外部测试数据集上对淋巴结检测和分割平均所需的时间仅为1.3秒/例，而放射科医生在淋巴结检测上花费的时间大于200秒/例，auto-LNDS的效率比放射科医生效率提高了153倍。本研究所构建的auto-LNDS是目前所报道的基于MRI影像的淋巴结全自动检测与分割中精度最高、速度最快的模型，auto-LNDS可有效降低人为因素对检测结果的影响，减轻医生工作强度，提升工作效率，为后续临床决策提供可靠的参考数据。
NETL