基于深度学习分割前列腺多参数MRI图像中的骨质结构

刘想，韩超，张耀峰，张大斗，张晓东，王霄英*

1.北京大学第一医院医学影像科，北京 100034；2.北京赛迈特锐医学科技有限公司，北京 100011；*通信作者 王霄英wangxiaoying@bjmu.edu.cn

前列腺癌是老年男性常见肿瘤之一[1]。由于我国前列腺癌筛查和早期诊断尚未普及，大约50%的患者初诊时已发生骨转移[2-4]。前列腺癌骨转移好发于骨盆、脊柱和股骨[5]。骨转移会引起病理性骨折及脊髓压迫等不良骨性事件，及时准确地检出前列腺癌骨转移病灶对于减少骨并发症的发生具有重要意义。

多参数磁共振成像（multiparametric MRI，mpMRI）对骨转移的诊断有较高的敏感度和特异度，能准确显示转移灶及周围软组织受侵犯情况。前列腺癌转移报告和数据系统（METastasis Reporting and Data System for Prostate cancer，MET-RADS-P）推荐将扩散加权成像（DWI）+表观扩散系数（ADC）用于评估骨转移[6-9]。

本研究拟训练3D U-Net模型，自动分割前列腺mpMRI中DWI和ADC图像中的骨质结构，并找出分割性能最佳的输入序列组合，以期为后续骨转移病灶的自动检出提供定位信息。

1 资料与方法

本研究获得本院伦理审查委员会的批准（批件号：〔2017（1382）〕），按照本单位人工智能（artificial intelligence，AI）模型训练规范执行研究方案。

1.1 研究数据 从本院PACS系统回顾性收集2019年1月—2020年1月181例前列腺癌患者的盆腔mpMRI图像。病例纳入和排除标准见图1，最终105例患者用于模型的训练。盆腔mpMRI扫描设备采用3.0T GE（Discovery HD 750），DWI采集参数：b=0、800 s/mm2；TR 3 000 ms，TE 60 ms，层数25，层厚4 mm；ADC图像由设备工作站处理生成。

图1 病例纳入流程

1.2 数据标注 将DWI相关序列[DWI低（b=0 s/mm2）、DWI高（b=800 s/mm2）、ADC]的DICOM格式图像转换为Nifty格式。由1名低年资放射科医师（阅片经验2年）在ITK-SNAP 3.6.0上标注3个序列的图像，手工调整窗宽、窗位。……