基于深度卷積神經(jīng)網(wǎng)絡(luò)MSCT對小腎腫瘤病理分型的預(yù)測研究.pdf

1、越來越多的斷層掃描檢查導(dǎo)致偶然發(fā)現(xiàn)的小腎腫瘤(small renal masses,SRMs)日益增加，這些小腎腫瘤已成為很常見的臨床問題。目前小腎腫瘤的定義為影像檢查中最大直徑不超過4cm的強化腫瘤。這些小腎腫瘤中80％為腎細胞癌(renal cell carcinoma，RCC)，從臨床角度出發(fā)，最重要的有三種腎細胞癌:腎透明細胞癌(clear cell RCC，ccRCC)最多見，占腎細胞癌總數(shù)的80-90％;乳頭狀腎細胞癌(pa

2、pillary RCC，pRCC)，可分為Ⅰ型和Ⅱ型，占腎細胞癌總數(shù)的10-15％;腎嫌色細胞癌(chromophobe RCC，chRCC)，占腎細胞癌總數(shù)的4-5％。余下的20％小腎腫瘤為良性腫瘤，其中腎血管平滑肌脂肪瘤(angiomyolipoma,AML)最常見。當影像檢查偶然發(fā)現(xiàn)小腎腫瘤時，對臨床的挑戰(zhàn)包括腎臟良惡性腫瘤之間的鑒別以及腎臟惡性腫瘤的最佳治療選擇。傳統(tǒng)的腎臟腫瘤影像檢查方法包括超聲檢查，電子計算機斷層掃描(com

3、puted tomography,CT)檢查以及核磁共振成像(magnetic resonance imaging，MRI)檢查。大多數(shù)的腎臟腫瘤可以通過影像學(xué)檢查正確診斷，但是CT和MRI并不能可靠地鑒別乏脂肪AML(fat-poor angiomyolipoma，fp-AML)和腎臟惡性腫瘤，同時也無法預(yù)測腎臟惡性腫瘤的生物學(xué)侵襲性。腎臟穿刺活檢術(shù)在一定程度上可以認為是鑒別診斷腎臟腫瘤組織學(xué)類型的金標準，但其作為有創(chuàng)檢查，可能會對患

4、者造成一定程度的危險并增加患者額外的經(jīng)濟負擔?？紤]到目前傳統(tǒng)影像學(xué)檢查方法和腎臟活檢穿刺術(shù)的局限性，開發(fā)一種全新的能夠準確且無創(chuàng)的對腎臟腫瘤病理組織學(xué)類型進行預(yù)測的技術(shù)將具有很大的臨床價值。
　　深度學(xué)習(xí)，作為機器學(xué)習(xí)的一個分支，最近在計算機視覺、圖像分類、語音識別、自然語言處理和游戲開發(fā)等多個領(lǐng)域取得了顯著的進步。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)方法中最典型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，它的架構(gòu)由許多“層”組成，每層有大量類似神經(jīng)元的節(jié)點相連接。眾

5、所周知，卷積神經(jīng)網(wǎng)絡(luò)中的卷積層中有多種類型的卷積核，它對圖像特征的識別極其有效。傳統(tǒng)的機器學(xué)習(xí)算法在學(xué)習(xí)之前需要先從圖像中提取特征，而深度學(xué)習(xí)中卷積層是在學(xué)習(xí)過程中自動挖掘圖像數(shù)據(jù)的特征。因此，同傳統(tǒng)的機器學(xué)習(xí)受限于人類特定領(lǐng)域知識設(shè)計的手工特征不一樣的是，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法能夠使用圖像本身包含的所有信息，這是深度學(xué)習(xí)方法的核心優(yōu)勢。通過這種學(xué)習(xí)方式，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法很快被醫(yī)學(xué)影像領(lǐng)域所采用，并應(yīng)用在分類，探測

6、和分割等多種影像學(xué)圖像處理任務(wù)中。因此這一方法具備在動態(tài)增強CT圖像上鑒別腎臟腫瘤病理分類的潛能。
　　第一部分 基于MSCT的深度卷積神經(jīng)網(wǎng)絡(luò)鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌
　　目的:使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，通過四期動態(tài)增強CT圖像，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型用于鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌，并評價模型的性能。
　　方法:這一回顧性單中心研究由醫(yī)院倫理委員會批準。所有乏脂肪腎血管平滑肌脂肪瘤與腎癌患者

7、均在我院病理科電子檔案庫中查詢得到，時間為2013年1月至2017年7月。共200位患者納入研究中，其中包括42名乏脂肪腎血管平滑肌脂肪瘤患者，158名腎癌患者。這200位患者由124位男性患者與76位女性患者組成，平均年齡55.07歲，年齡范圍20-83歲。所有患者均使用設(shè)備320排容積CT進行腎臟四期規(guī)范化掃描，流程包括:平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期。
　　預(yù)處理的第一步就是對每張CT圖像中的腫瘤區(qū)域進行分割以及分割后的非

8、腫瘤區(qū)域的背景去除。該研究采用人工的腫瘤整體分割法，所有患者的分割工作由一位影像科醫(yī)師進行，該醫(yī)師對所有患者信息均不知情。平掃圖像上的腎臟腫瘤邊界由該醫(yī)師與另外一名醫(yī)師使用相應(yīng)層面的三期增強圖像共同商量后決定。所有去除非腫瘤背景后的腫瘤圖像將用于卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。200位患者的12317張分割圖像（平掃期786張，皮髓質(zhì)期3854張，實質(zhì)期3900張，排泄期3777張）用于實驗研究。預(yù)處理的第二步是在上一步得到的腫瘤分割圖像中截取

9、腫瘤部分，將圖像改為96×96像素大小。第三步是將所有圖像整理放入文件夾中，六個文件夾分別對應(yīng)平掃期、皮髓質(zhì)期、實質(zhì)期、排泄期、后三期合并和四期合并。每個文件夾下設(shè)兩個訓(xùn)練用子文件夾包含小腎腫瘤的兩種不同類別。這兩個文件分別命名為:0（所有fp-AML的圖像），1（所有RCC的圖像）。
　　論文中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括十一層，其中四個卷積層，每一個卷積層后面緊跟一個最大池化層即四個最大池化層，最后面三層為一個扁平層和兩個全連接層。

10、模型建立過程包含兩個階段:訓(xùn)練階段，采用十折交叉驗證的方法，采用有監(jiān)督的基于卷積神經(jīng)網(wǎng)絡(luò)模型的深度學(xué)習(xí)方法，類別作為學(xué)習(xí)數(shù)據(jù);測試階段，采用未用于訓(xùn)練的剩余數(shù)據(jù)作為測試集，用以評價模型性能。應(yīng)用平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期圖像單獨四期期相的圖像，三期增強期相的圖像以及四期所有期相的圖像構(gòu)建出六組模型。卷積神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測該圖像為兩種類別的概率，二者概率和為1，最終概率大者作為模型的輸出結(jié)果。應(yīng)用受試者工作特征(receiver

11、operating characteristic，ROC)曲線分析來評估卷積神經(jīng)網(wǎng)絡(luò)模型對于鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌的診斷效能。計算受試者工作特征曲線下面積(area under curve，AUC)。六組不同模型的平均AUC值間的比較應(yīng)用DeLong檢驗(DeLong's test)得到。P值小于0.05認為差異有統(tǒng)計學(xué)意義。
　　結(jié)果:model unenhanced鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌的平均AUC值為

12、0.64，95％可信區(qū)間為(95％confidence interval，CI):0.58-0.69;model corticomedullary為0.83，95％可信區(qū)間:0.81-0.85;model nephrographic為0.83，95％可信區(qū)間:0.81-0.85;model excretory為0.81，95％可信區(qū)間:0.79-0.83;model enhanced為0.85，95％可信區(qū)間:0.84-0.86;mod

13、el quadruple為0.84，95％可信區(qū)間:0.83-0.85。
　　結(jié)論:除model unenhanced外，其余五組卷積神經(jīng)網(wǎng)絡(luò)模型能夠穩(wěn)健的鑒別出乏脂肪腎血管平滑肌脂肪瘤與腎癌，接下來的研究可以應(yīng)用這個方法去鑒別其它良性腫瘤與腎癌。
　　第二部分 基于MSCT的深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測腎透明細胞癌Fuhrman分級
　　目的:使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，通過四期動態(tài)增強CT圖像，構(gòu)建預(yù)測T1a期腎透

14、明細胞癌病理分級的卷積神經(jīng)網(wǎng)絡(luò)模型，并評價診斷模型的性能。
　　方法:這一回顧性單中心研究由醫(yī)院倫理委員會批準。所有腎透明細胞癌患者均在我院病理科電子檔案庫中查詢得到，時間為2013年1月至2017年7月。共97位患者納入研究，由72位男性患者與25位女性患者組成，其中69例低級別腎透明細胞癌;28例高級別腎透明細胞癌。這97位患者平均年齡55.64歲，年齡范圍28-83歲。所有患者均使用設(shè)備320排容積CT進行腎臟四期規(guī)范化掃描

15、，流程包括:平掃期、皮髓質(zhì)期、實質(zhì)期和排泄期。
　　預(yù)處理的第一步分割與第二步方法同第一部分一致。97位患者的4936張分割圖像（平掃期390張，皮髓質(zhì)期1499張，實質(zhì)期1547張，排泄期1500張）用于實驗研究。第三步是將所有圖像整理放入文件夾中，六個文件夾分別對應(yīng)平掃期、皮髓質(zhì)期、實質(zhì)期、排泄期、后三期合并和四期合并。每個文件夾下設(shè)兩個訓(xùn)練用子文件夾包含腎透明細胞癌的兩種不同類別。這兩個文件分別命名為:0（所有低級別ccRC

16、C的圖像），1（所有高級別ccRCC的圖像）。
　　論文中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括十二層，其中四個卷積層，每一個卷積層后面緊跟一個最大池化層即四個最大池化層，最后面四層為一個扁平層和三個全連接層，模型建立過程同第一部分一致。卷積神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測該圖像為兩種類別的概率，二者概率和為1，最終概率大者作為模型的輸出結(jié)果。應(yīng)用ROC曲線分析來評估卷積神經(jīng)網(wǎng)絡(luò)模型對于鑒別T1a期腎透明細胞癌病理分級的診斷效能。計算AUC值。六組不同模型的

17、平均AUC值間的比較應(yīng)用DeLong檢驗(DeLong's test)得到。P值小于0.05認為差異有統(tǒng)計學(xué)意義。
　　結(jié)果:模型unenhanced鑒別腎透明細胞癌病理分級的平均AUC值為0.55，95％可信區(qū)間為:0.49-0.61;模型corticomedullary為0.77，95％可信區(qū)間:0.74-0.79;模型nephrographic為0.76，95％可信區(qū)間:0.74-0.79;模型excretory為0.69，