利用深度学习实现CT图像上肾脏肿瘤径线自动测量的临床可行性

孙兆男，刘佳，崔应谱，刘想，张晓东，王霄英，林志勇，张耀峰

近年来，因常规体检及腹部不适就诊的患者在行影像学检查时，肾脏肿瘤的检出率明显增加[1]。肾部分切除术(partial nephrectomy，PN)及根治性肾切除术(radical nephrectomy，RN)是局限性肾肿瘤临床干预的主要方案。因此与临床决策相关的可切除性评估、术式选择及围手术期结局预测需要综合肿瘤形态、位置、解剖关系等多种因素进行评估。长期以来，多种评分系统被相继提出。在R.E.N.A.L评分[2]、PADUA评分[3]、CI评分[4]及DAP评分[5]评分系统中，均将肾肿瘤直径或半径作为是否可行PN的重要评分变量，直径或半径测量值越大，评分越高，肿瘤切除相关的复杂性也就越高。2014年发布的EAU指南[6]推荐，对于cT1a期和部分cT1b期肿瘤患者，可首选行PN，对于较大的及较复杂的中心性生长的肾肿瘤，则多采取RN。

泌尿系多期增强CT在显示肾肿瘤及周围解剖结构有一定优势，是诊断、分期、评分的首选影像学检查[7]。目前临床实践中，肾脏肿瘤径线测量值可通过CT图像直接获得。影像医生对肿瘤测量时先逐层阅图寻找肿瘤最大层面，再通过多方向重组测量肿瘤的三维径线，虽然是简单的测量工作，仍需要投入一定的时间。且对于形态欠规则的肿瘤，医生难以准确寻找最大层面的位置，由于选取测量层面的不同、测量误差等导致医生之间乃至同一医生不同次测量间的一致性差。因此，亟需一种全自动的、准确性高及重复性高的肿瘤径线测量方法，以减轻影像医生测量肿瘤径线的时间成本，提高书写报告的效率。……