用于乳腺癌肿瘤勾画的可靠性感知双表征DCE-MRI分割方法及不一致性引导的质量控制

《Biomedical Signal Processing and Control》:Reliability-aware dual-representation DCE-MRI segmentation with disagreement-guided quality control for breast tumor delineation

【字体: 大 中 小 】 时间:2026年10月10日 来源:Biomedical Signal Processing and Control 5.7

编辑推荐:

   自动化乳腺肿瘤分割技术应用于动态对比增强磁共振成像(DCE-MRI)可支持定量影像分析,但在异质性多中心数据中,病例级分割失败仍然是个问题。我们使用 MAMA-MIA 数据集评估了一个可靠性感知双表示框架。来自 1,200 例开发队列的五折折外(OOF)预测被专门用于校准基于

  

自动化乳腺肿瘤分割技术应用于动态对比增强磁共振成像(DCE-MRI)可支持定量影像分析,但在异质性多中心数据中,病例级分割失败仍然是个问题。我们使用 MAMA-MIA 数据集评估了一个可靠性感知双表示框架。来自 1,200 例开发队列的五折折外(OOF)预测被专门用于校准基于低置信负担(LCB)的质量控制(QC)规则,随后这些规则未经更改地应用于来自独立的 306 例留出队列的最终预测。Raw3P 使用了增强前和两个增强后期相,而 Sub513 使用了增强前期相和两个减影图。分别训练了 nnU-Net v2 模型,并将二值交集集成评估为一种保守的共识分割策略。生成的二值交集掩膜达到了 0.763 的平均 Dice 系数,0.786 的精确率,0.814 的召回率,40.16 毫米的 95 百分位豪斯多夫距离,11.70 毫米的平均对称表面距离,0.769 的 2 毫米归一化表面 Dice 系数,以及 74.9% 的绝对相对体积误差。与概率平均集成相比,平均 Dice 增益 modest(0.0044;配对自助法 95% 置信区间,0.0013 至 0.0075),而召回率降低了 0.0166。在冻结的 40%-OOF 目标点,159/306 例(52.0%)病例被转交审查,包括 33/35 个低质量掩膜(94.3%);漏掉的两个低质量掩膜是 147 例未转交病例中的假阴性 QC 病例。因此,双表示输出提供了有用的病例级 QC 信号,但并非一种保险丝式或完全自主的分割系统。

乳腺动态对比增强磁共振成像(DCE-MRI)是一种功能性成像技术,用于表征肿瘤形态学和对比增强行为,广泛用于乳腺癌分期、特定风险人群的筛查以及新辅助化疗后的疗效评估 [1], [2]。当代乳腺 MRI 方案通常依赖于增强前和早期增强后 T1 加权采集、减影图像和最大强度投影,以改善病变检测和工作效率 [1], [3], [4]。准确的三维肿瘤 delineation 对于定量影像分析、治疗反应评估、影像组学特征提取和下游基于人工智能的建模至关重要 [5], [6]。然而,DCE-MRI 上的手动肿瘤分割仍然耗时费力,并可能受阅片者变异性的影响,特别是在具有异质性增强、非肿块样增强、多灶性疾病、弱对比摄取或肿瘤边界不清的病例中 [7]。这些实际限制促使了乳腺 DCE-MRI 自动分割方法的发展。

深度学习在乳腺成像中得到了越来越多的应用,包括检测、分类、治疗反应预测和分割 [8]。在乳腺 MRI 分割中,一项聚焦评论确定了与数据集异质性、方案变异性、有限的外部验证和泛化能力相关的持续差距 [9]。更直接地说,最近的原创 DCE-MRI 分割研究报告了有前景的结果,使用了基于自配置 nnU-Net 的分割用于串行采集的三阴性乳腺癌 MRI,基于多中心 DCE-MRI 数据训练的空间时间 AI 助手,以及使用弱标注的 3D 乳腺癌分割 [10], [11], [12]。nnU-Net 框架也因其能为给定数据集自配置预处理、架构、补丁规划和训练策略,而成为生物医学分割中权威的基准线 [13]。这些进展表明,自动分割可以减少手动工作量并支持可扩展的定量乳腺 MRI 分析,前提是也评估病例级可靠性。

乳腺 DCE-MRI 分割模型的开发和评估历来受到大型、专家标注、多中心数据集可用性的限制。MAMA-MIA 数据集旨在解决这一限制,提供了来自四个公开队列的 1,506 例治疗前 T1 加权 DCE-MRI 病例,具有专家主肿瘤分割、非肿块增强标注、协调的临床和影像变量、自动分割质量信息、预定义的培训和测试分割以及基准 nnU-Net 资源 [7], [14]。该资源提供了检查不仅分割准确性,而且在异质性采集设置下的稳健性的机会。MAMA-MIA 上最近的一项平衡留一队列分析进一步表明,与中心相关的域偏移可能会实质性地影响乳腺 DCE-MRI 肿瘤分割,这加强了需要谨慎解释留出表现和未来独立验证的必要性 [15]。

尽管取得了这些进展,仍然存在几个差距。首先,高平均分割性能并不一定意味着可靠的病例级性能。乳腺 DCE-MRI 在不同机构、扫描仪、成像平面、采集方案、乳腺定位、背景实质增强和肿瘤增强模式之间存在差异 [1], [7]。这种异质性可能会导致偶发但临床重要的分割失败,即使队列级 Dice 分数看似可接受。因此,先前的工作强调不确定性量化、概率校准和分割失败检测是值得信赖的医学图像分割系统的重要组成部分 [16], [17], [18], [19], [20]。相关方法,包括反向分类准确率、蒙特卡洛 Dropout 和深度集成,为质量估计和不确定性感知分割提供了有用的方法论比较器 [21], [22], [23]。因此,分割可靠性应与分割准确性一起评估。

其次,许多分割流程依赖于单一的输入表示。在乳腺 DCE-MRI 中,由增强前期相(Pre)、第一个增强后期相(P1)和第二个增强后期相(P2)组成的原始多期图像保留了解剖上下文和时间增强信息,而减影增强输入则强调相对于基线组织的对比摄取 [1], [4]。这两种表示可能会产生不同的病例级行为,但两者都源自相同的 Pre、P1 和 P2 采集,因此不应假设它们提供独立或始终互补的信息。当解剖上下文很重要时,原始输入可能更有用,而当对比增强更好地将肿瘤与背景分离时,减影增强输入可能有所帮助。任何一种表示都可能在弱增强、显著的背景实质增强、异常图像对比度或模糊肿瘤边缘的病例中失败。这促使我们评估配对的表示是否提供了有用的基于一致性和置信度的质量控制(QC)信号,而不是假定它们会实质性地提高平均分割准确性。

第三,大多数自动分割研究主要报告分割指标,而对临床工作流程中如何监督预测关注较少。对于高风险医学成像,分割系统应提供有助于优先安排专家审查病例的信息;低不确定性分数不应被视为掩膜正确的自动证明。这一立场与最近在医学图像分析中关于失败检测、不确定性量化和事后概率校准的工作一致 [16], [17], [18]。因此,模型分歧和置信度衍生特征在作为分诊辅助工具而非自主批准时,可能提供实用的 QC 信号。

在本研究中,我们评估了一个用于 DCE-MRI 中 3D 乳腺肿瘤分割的可靠性感知双表示框架。分别为 Raw3P 和 Sub513 输入训练了独立的 nnU-Net v2 模型,比较了多种集成规则,并量化了病例级的表示差异。主要的方法论新增是一个确定性的 LCB 分数,其 20%、30% 和 40% 的转诊操作点使用仅训练数据的五折 OOF 预测进行校准,然后在留出测试前冻结。因此,贡献是一个可靠性感知的分割和选择性审查评估,而不是新的网络架构、独立模态的主张或完全自动化的主张。

章节片段
材料与方法
整体研究设计总结于图 1。治疗前乳腺 DCE-MIA 病例来自 MAMA-MIA 数据集,该数据集包含来自四个贡献队列(DUKE、ISPY1、ISPY2 和 NACT)的专家肿瘤分割。对于每个病例,使用了三个序列 DCE-MRI 期相:增强前期相(Pre)、第一个增强后期相(P1)和第二个增强后期相(P2)。Raw3P 使用了 [Pre, P1, P2],而 Sub513 使用了 [Pre, S1, S2],其中 S1 = P1 ? Pre 且 S2 = P2 ? Pre。

数据集概述和输入表示
分析使用了 MAMA-MIA 乳腺 DCE-MRI 数据集中的 1,200 例训练病例和 306 例留出测试病例。留出测试病例包括四个来源队列:DUKE、ISPY1、ISPY2 和 NACT。选择了三个 DCE-MRI 期相用于构建表示:增强前、第一个增强后和第二个增强后图像。

评估了两种三维通道输入表示。Raw3P(Dataset512)表示由增强前、第一个增强后和第二个增强后组成

主要发现
本研究评估了一个用于 DCE-MRI 中 3D 乳腺肿瘤分割的可靠性感知双表示框架。核心贡献不是新的分割架构:所选的 nnU-Net v2 配置用于测试配对的原始多期和减影表示是否支持保守分割和病例级 QC 分诊。仅训练数据的 OOF 校准防止了在留出测试集上进行阈值选择。二值交集掩膜产生了最高的。

结论
本研究评估了一个用于 DCE-MRI 中 3D 乳腺肿瘤分割的可靠性感知双表示框架。二值交集掩膜在重叠、边界和体积误差指标方面提供了适度的配对改进,但召回率较低,确认了这是一种保守的权衡而非主要的准确性增益。仅训练数据的 OOF 校准使冻结的 LCB 分诊规则能够应用于留出测试预测,而无需基于测试结果的阈值重新调整。该框架捕获了大部分。

伦理批准与参与同意
本研究使用了去标识化的、公开可用的 MAMA-MIA 数据。原始数据收集和标注程序已由贡献机构批准,如数据集文档中所述。在该二次分析中未访问任何额外的患者可识别信息。

出版同意
不适用。

代码可用性
用于生成报告的表格和图表的分析代码可根据合理请求向通讯作者提供。

生成式 AI 和 AI 辅助技术在稿件准备过程中的声明
在工作准备过程中,作者使用了 ChatGPT(OpenAI)来协助语言编辑、结构组织和代码起草。使用此工具后,作者根据需要审查和编辑了内容,并对出版物的内容承担全部责任。

CRediT 作者贡献声明
Chih Mao Tsai:写作 – 审查与编辑,写作 – 原稿,验证,软件,资源,方法论,调查,形式分析,数据管理,概念化。Jiann-Der Lee:写作 – 审查与编辑,写作 – 原稿,验证,监督,资源,项目管理,方法论,调查,资金获取,形式分析,数据管理,概念化。

资助
本研究部分由中华民国(台湾)国家科学及技术委员会(NSTC)资助,拨款编号为 NSTC 114-2221-E-182-055 和 NSTC 115-2221-E-182-027。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文 reported 的工作。

致谢
作者感谢 MAMA-MIA 数据集贡献者、参与机构以及专家标注者和放射科医师提供数据资源用于研究。

Chih Mao Tsai|Jiann-Der Lee
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号