邵 希 石宇強(qiáng)△ 劉 巖 徐肖攀 劉 洋 張 曦*

膀胱腫瘤是泌尿系統(tǒng)最常見的腫瘤之一，根據(jù)美國癌癥協(xié)會發(fā)布的“Cancer Facts and Figures 2016”[1]數(shù)據(jù)顯示，美國男性中膀胱腫瘤的發(fā)病率位居第4位，致死率居第8位；而中國男性中，膀胱腫瘤的發(fā)病率居惡性腫瘤第7位，且近年來呈逐年上升趨勢[2]。

膀胱腫瘤多發(fā)于老年男性且極易復(fù)發(fā)，對于非肌層浸潤性膀胱腫瘤，其5年生存率可達(dá)到96%，但約有50%～70%的患者在術(shù)后18個(gè)月內(nèi)會復(fù)發(fā)[3-4]；對于肌層浸潤性腫瘤，其5年生存率更低，且復(fù)發(fā)率更高[5]。隨著社會人口老齡化加劇，膀胱腫瘤患者將逐年增多而需要定期篩查或復(fù)查，但費(fèi)用巨大且嚴(yán)重影響患者的生存質(zhì)量。

目前，光學(xué)膀胱鏡(optical cystoscopy，OCy)與經(jīng)尿道切除(transurethral resection，TUR)術(shù)相結(jié)合是膀胱癌檢測和診斷的金標(biāo)準(zhǔn)[5]。然而，OCy檢查不僅無法直接獲得腫瘤的浸潤深度(腫瘤分期)，存在視野盲區(qū)且該手段為有創(chuàng)，可能引起患者不適，并伴有機(jī)械損傷風(fēng)險(xiǎn)[6]。因此，臨床上迫切需要一種無創(chuàng)及高效的檢測手段，對膀胱腫瘤進(jìn)行檢測和診斷。

近年來，基于磁共振(magnetic resonance，MR)的影像學(xué)檢查是膀胱腫瘤的重要篩查手段，而且是一種非侵入式的檢查方式，避免了CT成像中X射線輻射的缺陷，能提供清晰的人體軟組織結(jié)構(gòu)信息和豐富的人體功能信息。與醫(yī)生通過OCy主觀判斷有無膀胱腫瘤相比，MR影像客觀性較強(qiáng)，可挖掘各類定量的影像信息用于膀胱腫瘤檢測。因此，本研究擬基于磁共振成像(magnetic resonance imaging，MRI)，用自適應(yīng)形狀先驗(yàn)約束的水平集(adaptive shape prior constrained level sets，ASPCLS)方法，拉普拉斯偏微分方程(Laplace partial differential equation)計(jì)算三維(three dimensional，3D)膀胱壁厚度，基于空域信息的模糊C均值(fuzzy C-means with spatial information，sFCM)算法提取腫瘤疑似區(qū)等，初步建立基于MRI的膀胱腫瘤自動(dòng)檢測系統(tǒng)，從而實(shí)現(xiàn)膀胱腫瘤的自動(dòng)提取，為膀胱腫瘤的進(jìn)一步診斷和治療提供依據(jù)。

1 材料與方法

1.1 影像數(shù)據(jù)采集

本研究采用MRI T2加權(quán)成像序列進(jìn)行膀胱腫瘤患者的影像數(shù)據(jù)采集。

(1)T2加權(quán)序列中，尿液作為天然的內(nèi)源性對比劑，使其與膀胱壁以及周邊組織有更好的對比度，從而使膀胱內(nèi)外壁分割得更為準(zhǔn)確。

(2)腫瘤的信號強(qiáng)度通常比膀胱壁略高，這使得腫瘤區(qū)域在影像中對比顯著[7]。采用虛擬膀胱鏡檢測時(shí)，為了準(zhǔn)確判斷病灶，膀胱需處于充盈狀態(tài)。①在核磁共振掃描前，受試者需飲用＞600 ml的水，在有尿感后10～15 min內(nèi)，進(jìn)行掃描；②為了盡量減少腸道蠕動(dòng)造成的偽影和對膀胱壁的擠壓而引起的形變，要求所有被試者提前做好腸道準(zhǔn)備；③為了減少掃描中因人體呼吸而產(chǎn)生呼吸偽影，掃描時(shí)需在腹部捆綁腹帶。整個(gè)掃描過程持續(xù)約6～8 min，所有MRI數(shù)據(jù)經(jīng)GE Discorvery750 3.0T掃描儀采集完成，掃描參數(shù)見表1。

1.2 膀胱內(nèi)外壁的分割

獲取膀胱內(nèi)外壁信息是提取膀胱腫瘤疑似區(qū)域的先決條件，對于擬建立的檢測系統(tǒng)的功能實(shí)現(xiàn)至關(guān)重要。目前，醫(yī)學(xué)影像領(lǐng)域常用的分割算法可分為基于區(qū)域和基于輪廓兩類：基于區(qū)域的分割算法在分割MRI圖像時(shí)，因較強(qiáng)的噪聲，部分容積效應(yīng)和灰度非均勻性等影響，分割效果往往不能滿足要求；而基于輪廓的水平集方法[8-10]結(jié)果較為理想，目前已被廣泛地使用。2014年Qin等[9]提出了一種基于T2WI序列的ASPCLS。為了增強(qiáng)模型的分割準(zhǔn)確性和魯棒性，該方法將初始約束，如梯度信息、區(qū)域性信息、最小壁厚等引入到模型中(該方法被用作本研究的分割方法)。

1.3 膀胱壁3D厚度的計(jì)算

膀胱壁厚度是區(qū)分膀胱壁是否存在病變的重要指標(biāo)，因此在獲取了膀胱內(nèi)外壁信息后，需要計(jì)算膀胱壁3D厚度[11]。拉普拉斯方程以勢函數(shù)的形式描述了電場、引力場和流場等物理對象的性質(zhì)。拉普拉斯方程是一種二階偏微分方程，其計(jì)算為公式1：

在等勢面、場線與厚度關(guān)系中，中間的虛線表示由拉普拉斯場所形成的等勢線，與虛線垂直的曲線表示場線。內(nèi)壁上任意一點(diǎn)在外壁上必存在唯一點(diǎn)與之對應(yīng)，而且對于內(nèi)外邊界間的任意一點(diǎn)，其對應(yīng)的厚度值為所在場線的長度(如圖1所示)。

圖1 等勢面、場線與厚度關(guān)系示意圖

表1 T2加權(quán)影像序列具體掃描參數(shù)

1.4 疑似腫瘤區(qū)的提取

模糊C均值(fzuuy C-mrans，F(xiàn)CM)算法是一種無監(jiān)督聚類算法，也是圖像領(lǐng)域一種常用的分割算法，其具有計(jì)算簡便，無需過多人工干預(yù)的優(yōu)點(diǎn)，但對噪聲較為敏感。而MRI圖像常受圖像噪聲、部分容積效應(yīng)、灰度非均勻性等的影響，導(dǎo)致傳統(tǒng)的FCM算法無法有效地提取腫瘤區(qū)域。因此，本研究采用sFCM算法對疑似腫瘤區(qū)域進(jìn)行分割，從而更準(zhǔn)確地提取腫瘤區(qū)域。該方法基于傳統(tǒng)的FCM算法，將鄰域的統(tǒng)計(jì)信息作為權(quán)重項(xiàng)引入到隸屬度函數(shù)中，使分割時(shí)體素的隸屬度受周邊體素的影響，從而令分割結(jié)果更為平滑，對噪聲和灰度非均勻性更為魯棒。

1.5 系統(tǒng)功能步驟與硬件環(huán)境

MRI膀胱腫瘤自動(dòng)檢測系統(tǒng)分為4個(gè)主要操作步驟：①讀取T2W1的MRI影像；②進(jìn)行膀胱內(nèi)外壁的分割；③使用拉普拉斯偏微分方程進(jìn)行膀胱壁3D厚度的計(jì)算；④利用改進(jìn)的模糊C均值算法，提取整個(gè)疑似腫瘤區(qū)域。上述步驟的所有程序使用Matlab2012b編寫，采用的計(jì)算機(jī)為八核CPU，主頻為2.60 GHz，內(nèi)存為4.00 GB。

1.6 系統(tǒng)準(zhǔn)確性評價(jià)

本研究使用Dice重合比率(Dice’ similarity coefficient，DSC)作為指標(biāo)來評價(jià)系統(tǒng)的準(zhǔn)確性，其計(jì)算為公式2：

式中DSC表示重合比率，ΩAuto表示系統(tǒng)自動(dòng)分割提取出的腫瘤區(qū)域，ΩMannually表示手動(dòng)分割提取出的腫瘤區(qū)域。

2 結(jié)果

(1)利用已采集到的膀胱腫瘤患者T2加權(quán)影像數(shù)據(jù)，對已建立的疑似區(qū)域自動(dòng)提取系統(tǒng)進(jìn)行流程與性能測試。在讀取T2序列的MRI影像后的界面顯示效果中，內(nèi)壁上的凸起部分為膀胱腫瘤(如圖2所示)。

圖2 讀取T2序列MRI影像后的界面圖

(2)在正確讀取圖像數(shù)據(jù)后，系統(tǒng)需完成內(nèi)外壁的分割任務(wù)。進(jìn)行內(nèi)外壁手動(dòng)和自動(dòng)分割后的軟件界面如圖3和圖4所示，其中圖3顯示了系統(tǒng)對中間層進(jìn)行手動(dòng)分割的效果圖，圖4則是對其余層進(jìn)行自動(dòng)分割的效果圖，最終實(shí)現(xiàn)膀胱軸位像自頂向下的內(nèi)外壁分割。

圖3 對中間層進(jìn)行手動(dòng)分割的界面圖

圖4 對其余層進(jìn)行自動(dòng)分割的界面圖

(3)系統(tǒng)自動(dòng)分割出每例膀胱腫瘤患者的膀胱內(nèi)外壁之后，還需對膀胱壁厚度進(jìn)行自動(dòng)計(jì)算。拉普拉斯方程計(jì)算某1例數(shù)據(jù)的膀胱壁厚度的結(jié)果，從中可以看到在腫瘤疑似區(qū)域像素對應(yīng)的厚度明顯變厚。由于壁內(nèi)每一體素都對應(yīng)于所在場線的厚度值，為通過厚度的聚類來獲取腫瘤區(qū)域提供了依據(jù)(如圖5所示)。

圖5 3D膀胱壁厚度計(jì)算的界面圖

在1例膀胱腫瘤患者的數(shù)據(jù)中，基于分割后的圖像，使用sFCM算法進(jìn)一步提取出腫瘤疑似區(qū)，如圖6所示。

圖6 膀胱腫瘤患者腫瘤疑似區(qū)提取結(jié)果影像

(4)通過sFCM方法提取出腫瘤疑似區(qū)之后的軟件界面顯示圖，從右下角的圖片中可以看出，白色區(qū)域即腫瘤疑似區(qū)(如圖7所示)。

圖7 提取腫瘤疑似區(qū)后的界面圖

(5)根據(jù)建立的膀胱腫瘤自動(dòng)檢測方法，利用10套膀胱癌患者T2加權(quán)影像序列數(shù)據(jù)進(jìn)行初步驗(yàn)證。將系統(tǒng)自動(dòng)提取出的10套數(shù)據(jù)的膀胱腫瘤疑似區(qū)域與醫(yī)生手工勾畫的膀胱腫瘤疑似區(qū)域進(jìn)行DSC系數(shù)比較，得到10套數(shù)據(jù)的平均DSC為86.7%，因而該系統(tǒng)對膀胱腫瘤疑似檢測和提取的準(zhǔn)確性較高。

3 討論

為了克服OCy的有創(chuàng)性和無法判斷浸潤深度等缺點(diǎn)，以及更好對膀胱腫瘤進(jìn)行無創(chuàng)篩查，本研究提出了一個(gè)基于MRI影像的膀胱腫瘤自動(dòng)檢測系統(tǒng)，該軟件系統(tǒng)包含MRI數(shù)據(jù)的讀取、膀胱內(nèi)外壁的分割、3D膀胱壁厚度計(jì)算和腫瘤區(qū)域的進(jìn)一步提取4個(gè)步驟，自動(dòng)實(shí)現(xiàn)了膀胱腫瘤疑似區(qū)域檢測，為疑似區(qū)和腫瘤性質(zhì)的進(jìn)一步分析和診斷提供了依據(jù)。本研究通過對多例膀胱腫瘤患者數(shù)據(jù)的測試與評估，保證了系統(tǒng)功能的可行性，且得到了較高的平均DSC，證實(shí)了該系統(tǒng)檢測膀胱腫瘤和提取腫瘤疑似區(qū)的準(zhǔn)確性。

目前，該系統(tǒng)是基于影像的膀胱腫瘤檢測與分析研究領(lǐng)域的首個(gè)自動(dòng)提取與檢測系統(tǒng)，為課題組下一步更好的開展基于多模態(tài)MRI虛擬膀胱鏡系統(tǒng)的研發(fā)奠定了良好的研究基礎(chǔ)與軟件基礎(chǔ)。然而，本系統(tǒng)也存在一定的局限性，僅著眼于提取出腫瘤疑似區(qū)，并未進(jìn)一步判斷疑似區(qū)的性質(zhì)、浸潤深度以及分期等特點(diǎn)。今后，可以基于本系統(tǒng)進(jìn)一步判斷腫瘤疑似區(qū)的性質(zhì)，判斷腫瘤分級和分期等性質(zhì)[12]。此外，本系統(tǒng)僅使用了單模態(tài)的T2加權(quán)影像序列數(shù)據(jù)，未使用各類能夠提供更多反映病理生理及細(xì)胞層面信息的磁共振功能影像序列。

隨著醫(yī)學(xué)影像技術(shù)的不斷發(fā)展，未來課題組將獲得質(zhì)量更好、模態(tài)更多的MR影像，通過自動(dòng)檢測系統(tǒng)可以更為準(zhǔn)確的分割出膀胱的內(nèi)外壁，從而更為準(zhǔn)確地提取出腫瘤疑似區(qū)，為臨床診斷和治療提供一種新型的無創(chuàng)且可靠的膀胱腫瘤檢測方法。

4 結(jié)語

本研究提出的基于T2加權(quán)MRI的膀胱腫瘤自動(dòng)檢測系統(tǒng)，能夠初步實(shí)現(xiàn)膀胱腫瘤的檢測和疑似腫瘤區(qū)的提取，與真實(shí)膀胱腫瘤區(qū)域相比達(dá)到了較高的準(zhǔn)確性，為膀胱腫瘤的早期檢測及術(shù)前診斷提供了無創(chuàng)新手段。

[1]American Cancer Society.Cancer Facts and Figures 2016[A].Atlanta：American Cancer Society，2016.

[2]Chen W，Zheng R，Baade PD，et al.Cancer statistics in China，2015[J].CA Cancer J Clin，2016，66(2)：115-132.

[3]American Cancer Society.Cancer Facts & Figures 2014[A].Atlanta：American Cancer Society，2014.

[4]Grasso M.Bladder cancer：a major public health issue[J].European urology，2008，7(7)：510-515.

[5]那彥群，葉章群，孫穎浩，等.中國泌尿外科疾病診斷治療指南(2014版)[M].北京：人民衛(wèi)生出版社，2014.

[6]楊金玲，劉照旭.膀胱鏡檢查疼痛控制的研究現(xiàn)狀[J].解放軍護(hù)理雜志，2008，25(1)：34-36.

[7]Hafeez S，Huddart R.Advances in bladder cancer imaging[J].BMC medicine，2013，11(1)：104.

[8]Duan C，Liang Z，Bao S，et al.A coupled level set framework for bladder wall segmentation with application to MR cystography[J].IEEE Trans Med Imaging，2010，29(3)：903-915.

[9]Qin X，Li X，Liu Y，et al.Adaptive shape prior constrained level sets for bladder MR image segmentation[J].Biomedical Health Informatics，2014，18(5)：1707-1716.

[10]Han H，Li L，Duan C，et al.A unified EM approach to bladder wall segmentation with coupled level-set constraints[J].Medical Image Analysis，2013，17(8)：1192-1205.

[11]Zhang X，Liu Y，Yang Z，et al.Quantitative Analysis of Bladder Wall Thickness for Magnetic Resonance Cystoscopy[J].IEEE Trans Biomed Eng，2015，62(10)：2402-2409.

[12]Zhang X，Xu X，Tian Q，et al.Radiomics assessment of bladder cancer grade using texture features from diffusion-weighted imaging[J].Journal of Magnetic Resonance Imaging，2017，46(5)：1281-1288.