Повышение точности сегментации печени в Ct и Mri с помощью расширенной обработки изображений

Введение: Критическая роль сегментации печени в современной радиологии

Сегментация печени от КТ (компьютерная томография) и МРТ (магнитно-резонансная томография) является основополагающей задачей в медицинском анализе изображений. Точное определение границ печени имеет важное значение для широкого спектра клинических применений: количественное определение объема печени для хирургического планирования, выявления и характеристики очаговых поражений, мониторинга прогрессирования заболевания в хронических заболеваниях печени и руководства лучевой терапией. Однако нерегулярная форма печени, близость к соседним органам (желудок, селезенка, почки и диафрагма) и переменный контраст в различных фазах визуализации делают автоматическую сегментацию постоянной проблемой. За последнее десятилетие достижения в области обработки изображений - особенно глубокое обучение и мультимодальный слияние данных - значительно улучшили точность сегментации, уменьшив вариабельность межнаблюдателей и обеспечивая более последовательные, воспроизводимые результаты. В этой статье рассматриваются ключевые методы, способствующие этому прогрессу, их клиническое воздействие и будущее сегментации печени в медицинской визуализации.

Клиническая важность точной сегментации печени

Точная сегментация печени напрямую влияет на принятие клинических решений. В гепатобилиарной хирургии точное измерение объема печени имеет решающее значение для определения возможности частичной гепатэктомии и оценки будущих остатков печени. При трансплантации печени объемный анализ помогает оценить пригодность доноров и соотношение веса трансплантата к реципиенту. В онкологии сегментация опухолей печени - как первичная гепатоцеллюлярная карцинома, так и метастазы - позволяет точно оценить нагрузку на опухоль, оценить ответ в соответствии с критериями RECIST или mRECIST и целенаправленное планирование лечения для абляции или трансартериальной химиоэмболизации. Кроме того, при диффузных заболеваниях печени, таких как стеатоз или цирроз, сегментация позволяет количественно оценить содержание жира в печени, жесткость и общую морфологию. Без надежной сегментации эти задачи либо ручные, трудоемкие, либо подвержены высокой вариабельности между считывателями. Поэтому надежные, автоматизированные или полуавтоматизированные инструменты сегментации являются не только удобствами; они необходимы для точной медицины в гепатологии и ради

Проблемы сегментации печени

Несмотря на десятилетия исследований, сегментация печени остается сложной из-за нескольких внутренних и внешних факторов:

Анатомическая сложность: Печень имеет очень переменную форму, с тонкой левой долей, толстой правой долей и часто большими вариациями между пациентами.
Плохой контраст с соседними структурами: Печень имеет аналогичные значения интенсивности с желудком, селезенкой и поджелудочной железой на неулучшенной КТ, а на Т1- или Т2-взвешенной МРТ границы могут быть размыты. При отсутствии внутривенного контраста эти интерфейсы особенно сложны.
Движение и дыхательные артефакты: Дыхательное движение во время сканирования вызывает размытие и неправильное ведение регистрации, особенно в абдоминальных последовательностях.Даже при использовании методов задержки дыхания движение диафрагмы может изменить положение печени между ломтиками.
Патологические изменения: Болезни, такие как цирроз, жировая инфильтрация, фиброз или большие опухоли, искажают нормальную анатомию, что затрудняет обнаружение границ. Опухоли могут прилегать к поверхности печени или вторгаться в соседние органы.
Неоднородность в печени: Вариации в паренхиматозном усилении в течение различных контрастных фаз (артериальная, портальная венозная, замедленная) означают, что один алгоритм сегментации должен обрабатывать различные характеристики изображения.
Вариабельность аннотации:] Ручная сегментация радиологами часто показывает значительные различия между наблюдателями, что затрудняет определение истинной основы для обучения контролируемых моделей.

Эти проблемы стимулировали разработку все более сложных конвейеров обработки изображений, которые сочетают в себе расширенные возможности извлечения, машинного обучения и ограничений после обработки.

Передовые методы обработки изображений

Современные рабочие процессы сегментации печени обычно включают три этапа: предварительную обработку, сегментацию (с использованием традиционных или основанных на обучении методов) и постобработку. В то время как ранние подходы основывались на обнаружении края, росте региона или регистрации на основе атласа, в современном состоянии подавляющее большинство доминирует глубокое обучение. Ниже мы рассмотрим наиболее эффективные методы.

Глубокое обучение-основанные подходы

Свёрточные нейронные сети (СНС) произвели революцию в автоматической сегментации. В отличие от ручных методов, CNN изучают иерархические представления непосредственно из данных изображений. Для сегментации печени наиболее распространенными архитектурами являются:

U-Net и его варианты: U-Net, первоначально предназначенный для сегментации биомедицинских изображений, использует структуру кодера-декодера с пропуском соединений для сохранения пространственных деталей. Модификации, такие как Attention U-Net, Residual U-Net и 3D U-Net, имеют еще более улучшенную производительность за счет включения механизмов внимания или объемного контекста. 3D U-Net, например, обрабатывает стека срезов для использования информации между срезами, обеспечивая более плавные и когерентные сегментации.
nnU-Net (no-new-U-Net): Эта структура автоматически адаптирует сетевую архитектуру, предварительную обработку и обучение гиперпараметров к набору данных. Она последовательно достигает верхних позиций в медицинских сегментации проблем, включая сегментацию опухоли печени (LiTS) вызов, и широко считается сильным исходным уровнем.
Трансформаторные модели: В последние годы были внедрены трансформаторы зрения (ViT) и трансформаторы-свиньи для сегментации. Например, Swin U-Net сочетает структуру U-Net со смещенным окном самовнимания, захватывая зависимости на большие расстояния, которые могут пропустить CNN. Эти модели показывают особую перспективу в лечении крупных поражений печени или случаев с нерегулярной анатомией.
Гибридные подходы: Некоторые трубопроводы используют CNN для начальной сегментации, а затем применяют методы на основе графов или активные контуры для уточнения. Например, сеть глубокого обучения может создавать карту вероятности, которая впоследствии подается в эволюцию уровня для обеспечения плавных границ.

Обучение этих моделей требует больших аннотированных наборов данных. Задача LiTS и публичные хранилища, такие как Medical Segmentation Decathlon, предоставили разнообразные многоинституциональные данные. Увеличение данных (вращения, масштабирование, упругие деформации, сдвиги интенсивности) имеет решающее значение для улучшения обобщения между сканерами и протоколами. Современные реализации также используют обучение передаче от предварительно обученных весов сети изображений (при использовании 2D-срезов) или самоконтролируемую предварительную подготовку для 3D-томов.

Многофазная и многомодальная сплавка

Однофазное КТ или МРТ-сканирование часто не имеет достаточного контраста, чтобы надежно отделить печень от окружающих тканей. Многофазная визуализация - где сканирование приобретается в несколько моментов усиления контраста (неконтрастное, артериальное, портальное венозное, замедленное) - обеспечивает дополнительную информацию. Аналогичным образом, сочетание КТ и МРТ (или различных последовательностей МРТ, таких как T1-взвешенная, T2-взвешенная и DWI) может усилить дискриминацию тканей.

Расширенные стратегии синтеза интегрируют эти многофазные или мультимодальные тома в качестве нескольких входных каналов в одну модель глубокого обучения. Например, сеть, принимающая четыре канала (предконтрастные, артериальные, портальные венозные и отсроченные фазы КТ), может узнать, какая фаза лучше всего выделяет печень в каждом пространственном месте. Для слияния КТ-МРТ алгоритмы регистрации сначала выравнивают объемы, а затем модель совместно обрабатывает обе модальности. Такие подходы, как было показано, заметно улучшают точность сегментации, особенно в циррозной печени или когда опухоли искажают границу. Недавнее исследование Wang et al. (2021) продемонстрировало, что многофазный слитый 3D U-Net достиг коэффициента сходства Dice более 0,97 на внутреннем наборе данных, значительно превосходя однофазные модели.

Помимо простой конкатенации, некоторые методы используют слияние на основе внимания, которое учится адаптивно взвешивать каждую модальность. Например, блок сжатия и возбуждения может перекалибровывать карты функций из разных фаз, подчеркивая наиболее информативные, подавляя шум.

Последующие уточнения

Даже лучшая сегментация нейронной сети может содержать небольшие отверстия, нерегулярные границы или ложноположительные области. Постобработка имеет решающее значение для получения клинически пригодных результатов. Общие методы включают:

Условные случайные поля (CRF): Полностью подключенный CRF может сгладить сегментацию, сохраняя края, моделируя попарные отношения пикселей. Он уточняет карты вероятностей для удаления мелких крапинок и обеспечения пространственной согласованности.
Морфологические операции: Простые операции, такие как заполнение отверстий, открытие и закрытие, могут удалять острова и плавные контуры. Они быстры и часто эффективны при применении после порогового значения.
Регистрация в атласе: Если сегментированный объем зарегистрирован в атласе печени, результат может быть ограничен правдоподобной анатомической формой. Это особенно полезно, когда сеть производит сегментацию, которая чрезмерно выступает в ребра или диафрагму.
Сопоставить усреднение: Комбинирование прогнозов из нескольких моделей (например, различных архитектур или учебных заданий) и принятие воксель-мудрого большинства голосов может повысить надежность и уменьшить дисперсию. Для критических клинических применений это рекомендуемая практика.

Оценка эффективности сегментации

Для проверки точности передовых методов сегментации стандартно сообщается о нескольких показателях:

Коэффициент сходства риса (DSC): Измерения пересекаются между прогнозируемой и наземной сегментацией истинности. Значения выше 0,95 считаются отличными для сегментации печени.
Hausdorff Distance (HD): Количественно максимальное расстояние между двумя сегментациями. Низкий HD (например, < 5 мм) указывает на хорошее выравнивание границ.
Ошибка перекрытия объема (VOE) и относительная разница в объеме (RVD): Дополнение DSC путем выявления систематической переоценки или недооценки.
Точность, Вспомним, и F1: Особенно полезно при сегментировании опухолей в дополнение ко всей печени.

Крупномасштабные бенчмаркинги, такие как вызов LiTS и задача сегментации печени и опухоли печени в MICCAI, обеспечивают стандартизированную оценку. Наиболее эффективные модели теперь достигают средних DSC 0,96-0,98 на наборах данных КТ и 0,93-0,96 на МРТ, что представляет собой резкое улучшение по сравнению с методами всего пять лет назад.

Влияние на клинические рабочие процессы

Интеграция передовых автоматизированных сегментаций в клиническое программное обеспечение имеет ощутимые преимущества:

Сокращение времени анализа: Сегментация печени вручную может занять 15-30 минут в каждом случае; автоматизированные методы уменьшают это до секунд, позволяя радиологам сосредоточиться на интерпретации, а не на рисовании контуров.
Улучшенная консистенция: Автоматизированная сегментация устраняет межнаблюдательную изменчивость, обеспечивая одинаковый результат от одного и того же входа независимо от оператора.Это имеет решающее значение для продольного мониторинга реакции опухоли или изменения объема печени.
Усиленное обнаружение небольших поражений: Точная сегментация печени обеспечивает маску, которая может быть использована для исключения нормальной паренхимы, что делает компьютерное обнаружение небольших метастазов более чувствительным и уменьшает ложные срабатывания внепеченочных структур.
Лучшее предоперационное планирование: Для трансплантации печени живого донора обязателен точный объемный анализ донорской печени. Автоматизированная сегментация также позволяет 3D визуализировать сосудистую систему и плановые плоскости резекции, улучшая хирургические результаты.
Количественная оценка клинических испытаний: В фармацевтических испытаниях для лечения жировой болезни печени или фиброза печени автоматизированная сегментация позволяет стандартизировать количественную оценку биомаркеров визуализации (например, фракции жира печени от МРТ-PDFF или жесткости от МР эластографии) в нескольких центрах.

Несколько коммерческих решений (например, Siemens Syngo.Via, GE AW Server, InstaRecon и сторонние предложения от таких компаний, как Perspectum и MEDIAN Technologies) теперь включают сегментацию печени на основе глубокого обучения. Однако многие радиологи по-прежнему используют алгоритмы с открытым исходным кодом или в доме для исследовательских целей. Задача остается заключаться в беспрепятственной интеграции этих инструментов в рабочий процесс клинической PACS (система архивирования изображений и связи) с минимальным трением и с соответствующей валидацией для конкретных используемых протоколов визуализации.

Будущие направления

Несмотря на значительный прогресс, некоторые границы остаются открытыми:

Сегментация в реальном времени: Для интервенционных процедур, таких как чрескожная биопсия печени или абляция, сегментация в реальном времени, которая обновляется во время введения иглы, может улучшить таргетинг и безопасность. Для работы на аппаратном обеспечении малой мощности исследуются легкие сети (например, эффективные 3D-сигналы CNN или дистилляция знаний от больших моделей).
Интеграция с хирургической навигацией: Слияние предоперационной сегментации печени с внутриоперационным ультразвуком или КТ-изображениями может обеспечить наложения дополненной реальности для хирургов. Для этого требуется быстрая деформируемая регистрация для учета смещения органов.
Федерированное обучение для различных групп населения: Сбор больших, разнообразных наборов данных из нескольких учреждений является сложной задачей из-за проблем конфиденциальности. Федеративное обучение позволяет обучать общую модель в больницах без передачи необработанных данных. Это может улучшить обобщение до редких патологий и различных этнических групп населения.
Устойчивость к сдвигу домена: Модели, обученные на данных от одного поставщика сканера или протокола, часто ухудшаются при применении к другому. Такие методы, как адаптация домена, контрастное обучение и самоконтролируемая нормализация, являются активными областями исследований, чтобы сделать модели сегментации более универсальными.
Объяснимость и неопределенность:] В клинических условиях радиологам необходимо доверять выходу сегментации. Предоставление карт неопределенности (например, отсева Монте-Карло или вариации ансамбля) может выделить области, в которых модель неопределенна, что побуждает ручной обзор. Объясняемые методы ИИ могут показать, какие особенности изображения наиболее повлияли на границу сегментации.
За пределами всей печени: В то время как сегментация цельной печени в настоящее время является высокоточным, сегментация подсегмента (сегменты Куайно) и одновременная сегментация опухоли остаются более сложными. Многие исследовательские группы теперь сосредоточены на многозадачных моделях, которые совместно сегментируют печень, поражения и сосудистые территории.

Заключение

Продвинутая обработка изображений, особенно глубокое обучение с многофазным и мультимодальным слиянием данных, превратила сегментацию печени из трудоемкой ручной задачи в быстрый, воспроизводимый и высокоточный автоматизированный процесс. Современные модели обычно достигают оценок Dice выше 0,96 на КТ и демонстрируют надежную производительность в различных популяциях пациентов и протоколах визуализации. Клиническое воздействие глубокое: более быстрые рабочие процессы, снижение изменчивости и расширенный количественный анализ для хирургии, онкологии и планирования трансплантации. По мере того, как исследования продолжаются в возможности в реальном времени, обобщение поперечных доменов и объяснимый выход, сегментация печени станет еще более тесно вплетенной в ткань точного ухода за печенью. Для радиологов и хирургов эти инструменты больше не являются роскошью - они становятся неотъемлемой частью современной практики.

Для дальнейшего чтения рассмотрите следующие ресурсы: