论文部分内容阅读
胶质瘤是成年人中最常见的脑肿瘤之一,通过浸润周围组织生长的特点,可分为低级别胶质瘤和高级别胶质瘤(High Grade Gliomas,HGG)。HGG的侵入性强,死亡率高。临床上治疗胶质瘤患者的技术手段主要是放射治疗或化疗。放疗期间,为了保护周围正常组织,放射科医生需要对肿瘤区域进行精准的勾画。为了帮助医生进行胶质瘤的准确诊断和治疗规划,在临床实践中需要一种准确且自动的肿瘤分割方法。此外,放射性坏死是放射治疗严重的并发症之一。胶质瘤复发和坏死在影像学上很难区分且治疗方式完全不同,因此,在临床上对胶质瘤复发和坏死的分类显得尤为重要。目前,卷积神经网络(Convolutional neural networks,CNNS)包括 2D 和3D CNNS是体积图像分割的基础。然而,大多数CNNS模型通过连续的卷积和池化操作导致语义信息的丢失。此外,2D卷积并不能充分利用三维空间信息,3D卷积计算成本高,GPU内存消耗大。为了解决这些问题,我们提出了一种新的 2D-3D 分割网络(Hybrid densely connected network,HD-Net)。HD-Net 包含2D部分和3D部分,前者用于高效地提取层内特征,后者在2D的基础上引入了第三维度信息进行胶质瘤的自动分割。我们将HD-Net以一种端到端的学习方式表述出来,通过添加密集空洞卷积,残差多尺度池化和变分自编码器提取高水平的图像层内和层间特征。最后,通过特征融合层联合优化层内特征和层间特征。放射组学已经广泛应用于肿瘤的复发和坏死的分类问题,然而大部分研究提取的手工特征是浅层且低阶的特征,可能限制了放射组学模型的潜力。因此,我们提出将深度特征和手工特征结合起来用于胶质瘤坏死和复发的分类。每个患者共提取了 41284个手工特征和24576个深度特征。采用0.623+bootstrap方法和曲线下面积(记为0.632+bootstrap AUC)矩阵来进行特征的选择。应用逐步前向方法建立了 10个基于不同图像特征组合的logistic回归模型。我们在公开的 Multimodal Brain Tumor Segmentation Challenge 2018(BraTS2018)数据集和医院数据上分别测试了我们提出的方法。实验中每个样本使用了 TlC,T1,T2和FLAIR多模态MRI图像。HD-Net分割网络在BraTS2018验证集66个样本上的全肿瘤分割(标签0,1,2,4)平均Dice值为0.888,肿瘤核心(标签0,1,4)平均Dice值为0.787,增强肿瘤(标签0,4)平均Dice值为0.741。我们从医院采集了 64个数据,51个作为训练集,13个作为验证集。考虑到医院数据的有限性,我们用BraTS2018训练集的285个样本预训练HD-Net,然后用医院的训练集数据进行微调,最后用验证集进行测试。全肿瘤(标签0,1,2)的平均Dice值为0.868,肿瘤核心(标签0,1)的Dice值为0.719。在两个数据集上的结果也说明了该方法的有效性。51个(16例坏死,35例复发)术后经过放射治疗的患者被纳入到胶质瘤坏死与复发研究。从多模态MRI提取的手工特征中,由7个特征组成的模型在验证集中得到的AUC值0.9624,灵敏度值0.8497和特异性值0.9083。这些值要高于单模态图像的分类结果(成对t-test,p<0.05,灵敏度除外)。当结合多模态MRI图像手工特征和AlexNet特征时,由6个特征组合的模型在验证集中得到了最高的AUC值0.9982,灵敏度值0.9941和特异性值0.9755。这些值要高于多模态手工特征的结果(成对t-test,p<0.05)。这也说明了从多模态MRI图像提取的手工特征和深度特征可以反映胶质瘤的异质性,为胶质瘤坏死和复发的分类提供有效的信息。