【摘 要】目的：研究和開(kāi)發(fā)一種基于頭顱多模態(tài)核磁共振成像（magnetic resonance imaging，MRI）的影像學(xué)數(shù)據(jù)，自動(dòng)重建常見(jiàn)腦腫瘤及其周圍重要結(jié)構(gòu)的三維可視化模型，并驗(yàn)證其效能及臨床適用性。方法：收集常見(jiàn)腦腫瘤頭顱多模態(tài)核磁共振影像數(shù)據(jù)，并將其分為訓(xùn)練集、驗(yàn)證集和臨床測(cè)試集。在訓(xùn)練及驗(yàn)證中，通過(guò)3D深度卷積神經(jīng)網(wǎng)絡(luò)的算法訓(xùn)練系統(tǒng)自動(dòng)分割并重建出腦腫瘤及周圍結(jié)構(gòu)的能力；在臨床測(cè)試集中分別用系統(tǒng)及人工手動(dòng)的方法完成重建，比較本系統(tǒng)自動(dòng)重建與手動(dòng)重建之間的重建效率及圖像質(zhì)量。結(jié)果：在完成1例腫瘤及周圍結(jié)構(gòu)一體化模型重建的時(shí)間花費(fèi)上面，系統(tǒng)用時(shí)由人工用時(shí)的（5 442±623） s減少至（657±78） s，差異有統(tǒng)計(jì)學(xué)意義（t=27.530，P=0.000）。且系統(tǒng)重建出的模型與原始影像學(xué)圖像具有高度一致性（Dice系數(shù)為0.92），系統(tǒng)重建出的圖像與人工重建的圖像在質(zhì)量方面并無(wú)明顯差異。結(jié)論：基于多模態(tài)影像學(xué)數(shù)據(jù)，運(yùn)用深度學(xué)習(xí)等算法對(duì)腦腫瘤及周圍結(jié)構(gòu)進(jìn)行自動(dòng)分割及全自動(dòng)三維可視化重建，具有準(zhǔn)確、高效、可靠的優(yōu)點(diǎn)，對(duì)于腦腫瘤的診斷和手術(shù)計(jì)劃的制定具有重要意義。

【關(guān)鍵詞】機(jī)器學(xué)習(xí)；多模態(tài)MRI；腦腫瘤；三維可視化模型

【中圖分類號(hào)】R651.1+9 【文獻(xiàn)標(biāo)志碼】A 【收稿日期】2023-10-14

腦腫瘤是神經(jīng)外科常見(jiàn)的疾病之一，針對(duì)大部分顱內(nèi)腫瘤，目前采用以手術(shù)為主的治療方案。但當(dāng)腫瘤生長(zhǎng)到一定階段時(shí)，會(huì)影響周圍重要結(jié)構(gòu)，侵犯至周圍重要功能區(qū)、血管及腦白質(zhì)纖維束[1]。所以術(shù)者必須在術(shù)前對(duì)手術(shù)入路和腫瘤切除方案進(jìn)行充分評(píng)估，這對(duì)保證手術(shù)安全和手術(shù)效果至關(guān)重要[2]。

以核磁共振成像（magnetic resonance imaging，MRI）和電子計(jì)算機(jī)斷層掃描（computed tomography，CT）為代表的影像學(xué)技術(shù)能夠提供腦腫瘤的高分辨率和多模態(tài)的圖像[3-4]，為腦腫瘤的診斷、治療和隨訪提供客觀且重要的證據(jù)[5-7]。然而，無(wú)論是MRI還是CT，提供的多為二維圖像，難以判斷顱內(nèi)腫瘤與其毗鄰重要結(jié)構(gòu)的三維空間關(guān)系。目前，基于多模態(tài)MRI重建腦腫瘤及其周圍重要結(jié)構(gòu)重建的三維可視化模型，能直觀、立體地顯示腫瘤與其周圍重要功能腦區(qū)、血管及腦白質(zhì)纖維束等結(jié)構(gòu)的關(guān)系。同時(shí)，腦腫瘤及周圍結(jié)構(gòu)的解剖和病理結(jié)構(gòu)的三維可視化模型，可以幫助神經(jīng)外科醫(yī)生在術(shù)前進(jìn)行更加完善的術(shù)前評(píng)估，并優(yōu)化手術(shù)入路和手術(shù)計(jì)劃[8]。盡管操作者可以利用多種軟件來(lái)手動(dòng)勾畫圖像和重建三維模型，但手動(dòng)進(jìn)行勾畫重建是繁瑣和耗時(shí)的，而且會(huì)受到操作者經(jīng)驗(yàn)不同、長(zhǎng)時(shí)間工作視覺(jué)疲勞以及信息丟失的影響[9-11]，因此開(kāi)發(fā)一種準(zhǔn)確、可靠、全自動(dòng)的腦腫瘤分割算法具重要意義。近年來(lái)，由于公共數(shù)據(jù)集的發(fā)布和人工智能的發(fā)展，腦腫瘤的自動(dòng)分割取得了巨大的進(jìn)展[12]。目前已經(jīng)有關(guān)于腦腫瘤自動(dòng)分割相關(guān)的研究[13-15]，但目前尚缺乏一個(gè)更全面、更快捷的集重建腫瘤及瘤周水腫、腦血管、纖維束、腦功能區(qū)為一體的自動(dòng)重建系統(tǒng)。

本研究旨在開(kāi)發(fā)一種新的模型，基于不同的頭顱MRI序列，使用不同深度卷積網(wǎng)絡(luò)的算法，來(lái)實(shí)現(xiàn)腦腫瘤及其周圍重要結(jié)構(gòu)圖像的分割、三維可視化模型的重建，并驗(yàn)證其效能及臨床適用性。

1 資料與方法

1.1 一般資料。

本研究符合重慶醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會(huì)批準(zhǔn)的倫理標(biāo)準(zhǔn)（批準(zhǔn)號(hào)：2022-K453），回顧性收集本院2016年1月至2021年6月術(shù)前考慮腦腫瘤患者的多模態(tài)MRI（包括T1、T1c、T2、T2flair、MRA、MRV、DTI等序列）及人口統(tǒng)計(jì)學(xué)和臨床資料（包括年齡、性別、慣用手習(xí)慣、主訴、病理診斷等）。納入標(biāo)準(zhǔn)：①術(shù)后病理證實(shí)為腦腫瘤患者；②患者術(shù)前接受多模態(tài)MRI檢查，且圖像序列完整；③患者為右利手且臨床資料完整。排除標(biāo)準(zhǔn)：①M(fèi)RI質(zhì)量不佳，存在運(yùn)動(dòng)偽影等；②磁共振數(shù)據(jù)不完整或無(wú)法進(jìn)行預(yù)處理。以構(gòu)建多模態(tài)MRI數(shù)據(jù)庫(kù)。

1.2 MRI參數(shù)及資料特征

所有患者的MRI圖像為DICOM格式，所有MRI數(shù)據(jù)均使用西門子1.5/3.0 T8通道頭線圈掃描儀進(jìn)行，術(shù)前MRI方案包括T1加權(quán)，重復(fù)時(shí)間/回波時(shí)間：500/10 ms，視野255 mm，層厚1 mm，矩陣：384×384；增強(qiáng)T1WI 重復(fù)時(shí)間/回波時(shí)間250/2.8 ms，視野255 mm，層厚1 mm；矩陣：384×384。增強(qiáng)掃描采用高壓注射釓噴酸葡胺 Gd-DT-PA造影劑0.2 mmol/kg，2.0 mL/s速率，注射后加入15～20 mL生理鹽水，之后行頭部軸位（視野255 mm，層厚 1 mm；矩陣：384×384）、冠狀位、矢狀位T1WI掃描。血管像：優(yōu)選的序列是西門子MPRAGE或多回波MPRAGE，腦血管像掃描層厚要求≤1 mm，以重建腦血管。彌散張量（diffusion tensor imaging，DTI）層厚2 mm，要求b值800～1 000，不少于30個(gè)彌散梯度方向才能進(jìn)行纖維束追蹤，且影像拍攝質(zhì)量良好，不含明顯噪聲或偽影等干擾診斷的信息。

1.3 自動(dòng)重建系統(tǒng)的開(kāi)發(fā)

1.3.1 圖像預(yù)處理

病變及病變周圍結(jié)構(gòu)預(yù)處理包括應(yīng)用技術(shù)來(lái)減少偽影和增強(qiáng)圖像，提高圖像質(zhì)量和突出感興趣的區(qū)域（region of interest，ROI），以實(shí)現(xiàn)更詳細(xì)的可視化和更好的分割精度[16]。這一步是基于圖像對(duì)比度增強(qiáng)來(lái)突出所要分割的病變區(qū)域。所有圖像的灰度像素強(qiáng)度在0～1進(jìn)行了歸一化。為了確保重建出的纖維束及腦血管圖像質(zhì)量，對(duì)纖維束預(yù)處理主要包括以下幾個(gè)步驟，①去噪校正：包含dwi去噪、去Gibbs環(huán)狀偽影、渦流校正3個(gè)步驟；②剛性配準(zhǔn)：輸入圖像須與標(biāo)準(zhǔn)磁共振坐標(biāo)系統(tǒng)（montreal neurological insti?tutens space，MNI）空間具有相同的方向并且具有各向同性間距。對(duì)腦血管圖像的前處理主要分為以下幾個(gè)步驟：①數(shù)據(jù)讀?。簩⑼暾难芟裥蛄凶鳛槟Ｐ洼斎耄⑤斎刖S度從三維提高到四維。圖像原始維度為（z，y，x）提高到（1，z，y，x）；②圖像裁切：將上述序列圖像中等于0的區(qū)域進(jìn)行裁剪掉，只保留非0的區(qū)域；③重采樣：由于不同磁共振掃描機(jī)器的設(shè)置，MRI圖像spacing不同。為了分割準(zhǔn)確性，采用重采樣的方法，將不同的spacing 歸一化為相同的spacing。本算法中，spacing為[0.700，0.312，0.312]。④數(shù)據(jù)標(biāo)準(zhǔn)化：對(duì)HU值截?cái)嗪蟮膱D像進(jìn)行標(biāo)準(zhǔn)化處理。

1.3.2 圖像自動(dòng)分割及重建的訓(xùn)練

將收集的多模態(tài)MRI數(shù)據(jù)分為訓(xùn)練集（876例）和驗(yàn)證集（239例）和臨床測(cè)試集（103例），具體的算法及訓(xùn)練方法如下，①腦腫瘤、腦水腫、腦血管分割模塊采用3DUNet，該網(wǎng)絡(luò)由編碼器、解碼器、密集連接和深監(jiān)督組成。編碼器實(shí)現(xiàn)圖像特征的提取；解碼器實(shí)現(xiàn)特征的融合，并恢復(fù)出分割結(jié)果；密集連接通過(guò)跳躍連接實(shí)現(xiàn)特征的復(fù)用來(lái)加強(qiáng)特征的學(xué)習(xí)；深監(jiān)督結(jié)構(gòu)能夠加快網(wǎng)絡(luò)的收斂。模型采用Dice損失和交叉熵?fù)p失作為代價(jià)函數(shù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。②腦實(shí)質(zhì)（包括腦皮層）分割網(wǎng)絡(luò)的編碼器和解碼器分別由4個(gè)競(jìng)爭(zhēng)密集塊組成。本算法使用競(jìng)爭(zhēng)密集塊，用maxout代替拼接操作，每個(gè)塊由參數(shù)校正線性單元、卷積和批歸一化3個(gè)序列組成。其訓(xùn)練方式同腦腫瘤。③纖維束重建整體流程。首先利用約束球形反卷積算法得到神經(jīng)纖維束方向分布數(shù)據(jù)，作為整個(gè)過(guò)程的輸入數(shù)據(jù)。隨后分別送到3個(gè)深度模型執(zhí)行纖維束區(qū)域分割、起止區(qū)域分割、束方向圖映射。最后把以上步驟的結(jié)果返回到病理空間后，執(zhí)行纖維束追蹤。

1.3.3 重建后處理

為了保留更大的腫瘤區(qū)域，通過(guò)填充放大圖像中的孔洞（填充）來(lái)獲得二值掩模。最后，將二值掩模應(yīng)用于原始圖像，獲得大小，接近分割元素的真實(shí)大小，然后并提取紋理屬性。而纖維束重建完成后需要和其他圖像或分割結(jié)果疊加顯示，需要把重建結(jié)果變換到基準(zhǔn)序列空間。首先需要從DTI序列中提取b0圖像，使之與基準(zhǔn)序列對(duì)齊，得到變換矩陣，然后針對(duì)重建后的纖維束應(yīng)用變換矩陣變換即可。

1.4 系統(tǒng)重建性能及效率的評(píng)估

從MRI數(shù)據(jù)庫(kù)中抽取出由103個(gè)真實(shí)病例構(gòu)成臨床測(cè)試集，被提供給系統(tǒng)和兩位神經(jīng)外科醫(yī)師。兩名醫(yī)師使用本系統(tǒng)自帶的手動(dòng)勾畫功能，分別分割腦腫瘤、瘤周水腫、血管、腦皮質(zhì)及纖維束，并完成重建，記錄重建整體圖像及重建各部分模型所花費(fèi)時(shí)間。最后通過(guò)分析系統(tǒng)和醫(yī)師處理這些病例所花費(fèi)的時(shí)間，比較自動(dòng)與手動(dòng)需要花費(fèi)的時(shí)間以驗(yàn)證本系統(tǒng)的效能。

為了評(píng)估分割算法的準(zhǔn)確性，將真實(shí)數(shù)據(jù)和自動(dòng)分割數(shù)據(jù)進(jìn)行了比較：Dice系數(shù)是最常用的統(tǒng)計(jì)驗(yàn)證度量，它表示真實(shí)值與分割結(jié)果之間的重疊比[17]，在此使用Dice系數(shù)分析了本系統(tǒng)和真實(shí)圖形形態(tài)的一致性，常用于以下等式表示：

召回率：召回率（也稱為敏感性）是指陽(yáng)性病例中被正確預(yù)測(cè)為陽(yáng)性的概率[18]。對(duì)于特定類別，當(dāng)訓(xùn)練圖像被輸入到經(jīng)過(guò)訓(xùn)練的3DUNet模型中時(shí)，該模型輸出圖像屬于這一特定類別的概率。召回率的定義常用于以下等式表示：

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 26.0統(tǒng)計(jì)軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)量資料采用均數(shù)±標(biāo)準(zhǔn)差（x±s）表示，計(jì)數(shù)資料采用頻數(shù)和百分比表示，組間比較采用配對(duì)t 檢驗(yàn)，檢驗(yàn)水準(zhǔn)α=0.05。

2 結(jié)果

2.1 人口統(tǒng)計(jì)學(xué)和臨床信息

本回顧性研究納入的病例均來(lái)自上述構(gòu)建的多模態(tài)MRI數(shù)據(jù)庫(kù)，共有來(lái)自本院的1 292例接受頭部多模態(tài)MRI掃描的患者被納入本研究，其中107例因成像質(zhì)量差被人工剔除。表1總結(jié)了用于訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集的患者年齡，性別和腦腫瘤類型等特征，且數(shù)據(jù)集中患者均為右利手。

2.2 算法模型性能

在多模態(tài)MRI 后處理的訓(xùn)練過(guò)程中，經(jīng)過(guò)10 代版本（Epoch）迭代，對(duì)模型及算法進(jìn)行了改進(jìn)，最終所得的圖像中：整體圖像的Dice系數(shù)及召回率分別達(dá)到了0.92、0.98，在關(guān)于腫瘤及周圍結(jié)構(gòu)的整體圖像分割中（圖1），本系統(tǒng)（圖1A）與人工手動(dòng)（圖1B）分割相比，都具有較高的一致性（整體系統(tǒng)圖像Dice系數(shù)0.92 vs. 整體人工圖像0.94），且兩者之間差異無(wú)統(tǒng)計(jì)學(xué)意義（t=1.570，P=0.139）。在訓(xùn)練組中，關(guān)于腫瘤、瘤周水腫、血管、纖維束、腦功能皮質(zhì)各個(gè)結(jié)構(gòu)分割的Dice值分別達(dá)到了0.93、0.85、0.81、0.84、0.87。而對(duì)于重建出1例腫瘤及周圍結(jié)構(gòu)一體化模型所花費(fèi)的時(shí)間上，經(jīng)過(guò)多次迭代優(yōu)化算法及擴(kuò)大運(yùn)算內(nèi)存后，平均用時(shí)由最初代版本的1 428 s減少到了最終版本的657 s。圖2顯示了詳細(xì)的過(guò)程，展示了Dice系數(shù)、召回率及重建模型花費(fèi)時(shí)間在訓(xùn)練過(guò)程中不同版本迭代的演變。

2.3 圖像質(zhì)量評(píng)估

本系統(tǒng)重建出來(lái)的圖像具有較高的質(zhì)量，圖像整體清潔、平滑。腫瘤、周圍水腫、腦功能皮層之間，各結(jié)構(gòu)輪廓好，分化清楚，對(duì)比度好；由于人工重建追蹤纖維束選取的種子點(diǎn)數(shù)量有限，選取越多的種子點(diǎn)進(jìn)行追蹤，越發(fā)耗費(fèi)人力，而系統(tǒng)重建追蹤纖維束時(shí)可選取的種子點(diǎn)數(shù)更多，且耗時(shí)更少，重建的纖維束圖像相對(duì)于人工重建更加飽滿緊湊，在血管重建方面，系統(tǒng)重建與人工重建都具有較好的連續(xù)而無(wú)中斷，人工的血管側(cè)支重建似乎更加豐富，而系統(tǒng)對(duì)于血管的重建更加清潔平滑。系統(tǒng)與人工的重建圖像，各結(jié)構(gòu)與腫瘤之間的關(guān)系均易于診斷，并無(wú)明顯差異，見(jiàn)圖3。在重建的三維圖像中（圖3），可清晰地判斷腦腫瘤（a）與周圍血管、纖維束及腦功能皮質(zhì)之間的解剖關(guān)系。

2.4 系統(tǒng)算法的高效性

將系統(tǒng)的重建性能與醫(yī)生手動(dòng)重建過(guò)程進(jìn)行比較。2名醫(yī)生的平均后處理時(shí)間為腫瘤重建（656±181） s，水腫區(qū)域重建（462±184） s，血管重建（2 104±328） s，纖維束重建（1 236±438） s，腦皮質(zhì)重建（748±104）s。本系統(tǒng)與人工相對(duì)比，平均耗時(shí)分別減少到了腫瘤重建（134±25） s；水腫重建（87±19） s，血管重建（92±10） s，纖維束重建（121±37） s和腦皮質(zhì)重建（74±7） s。在完成1例腫瘤及周圍結(jié)構(gòu)一體化重建的時(shí)間花費(fèi)上面，系統(tǒng)用時(shí)將由人工用時(shí)的（5 442±623） s減少到了（657±78） s。系統(tǒng)組對(duì)于腦腫瘤及各結(jié)構(gòu)的重建耗時(shí)明顯少于人工組（t=27.530，P=0.000），見(jiàn)圖4A。在人工完成1例腦腫瘤一體化重建所花費(fèi)的時(shí)間上，該系統(tǒng)能夠自動(dòng)完成6～7例腦腫瘤的一體化重建。此外，本研究還發(fā)現(xiàn)系統(tǒng)組處理圖像所需的鼠標(biāo)點(diǎn)擊次數(shù)（27±0）明顯少于人工組處理重圖像所需要的鼠標(biāo)點(diǎn)擊次數(shù)（647.0±225.9），差異有統(tǒng)計(jì)學(xué)意義（t=14.320，P=0.000），大大節(jié)省了在圖像重建上所需要花費(fèi)的勞動(dòng)力，見(jiàn)圖4B。

2.5 重建圖像的量化分析

本系統(tǒng)不僅可以一鍵重建出腫瘤及其周圍重要結(jié)構(gòu)的一體化模型，還可以量化出腫瘤本身的體積以及腫瘤周圍水腫的大小，在測(cè)試集中重建的103例腦腫瘤病例中，系統(tǒng)對(duì)人工所重建出的圖像及系統(tǒng)本身所重建的圖像進(jìn)行具體值的量化，腦腫瘤及周圍水腫體積大小分布情況見(jiàn)圖5，顯示系統(tǒng)與人工所重建出的腫瘤及水腫體積大小，無(wú)明顯差異（t=1.420，P=0.166）。

3 討論

本研究針對(duì)腦腫瘤開(kāi)發(fā)了一種全新的三維可視化模型自動(dòng)重建系統(tǒng)，它融合了深度學(xué)習(xí)技術(shù)和人工智能算法，使得三維重建過(guò)程更加準(zhǔn)確、高效。據(jù)了解，這是目前唯一能夠同時(shí)實(shí)現(xiàn)腦腫瘤、功能皮層、動(dòng)脈及靜脈、纖維束等結(jié)構(gòu)一體化自動(dòng)重建的智能系統(tǒng)。

本系統(tǒng)利用三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）的模型，相較于傳統(tǒng)二維卷積神經(jīng)網(wǎng)絡(luò)，其充分利用不同層間的數(shù)據(jù)信息，包含大量空間信息能夠更準(zhǔn)確實(shí)現(xiàn)圖像分割與重建，在既往的研究中，利用深度學(xué)習(xí)技術(shù)如卷積神經(jīng)網(wǎng)絡(luò)[19-21]或循環(huán)神經(jīng)網(wǎng)絡(luò)[22]，對(duì)腦腫瘤圖形進(jìn)行自動(dòng)分割，得到的Dice 值在0.70～0.91變化。而本研究中，經(jīng)過(guò)10代迭代訓(xùn)練后，得到的最終腦腫瘤分割的Dice值為0.93，相對(duì)于其他算法具有較高的準(zhǔn)確性及還原性。

該系統(tǒng)操作方便快捷，可以“一鍵”完成腦腫瘤及其周圍結(jié)構(gòu)的一體化重建。在輸入DICOM格式的原始數(shù)據(jù)后，僅需點(diǎn)擊數(shù)次鼠標(biāo)，就可以完整還原腫瘤與周圍結(jié)構(gòu)的關(guān)系，且能夠按照操作者意愿對(duì)模型進(jìn)行360度旋轉(zhuǎn)，通過(guò)不同角度觀察腫瘤與功能皮層、主要供血?jiǎng)用}、引流靜脈，以及與白質(zhì)纖維束的關(guān)系，以制定更加完善的手術(shù)計(jì)劃。在術(shù)中最大限度地安全切除腫瘤區(qū)域，同時(shí)保留周圍重要的結(jié)構(gòu)組織，具有重要意義[23]。除此之外，本系統(tǒng)還可以融合患者的頭部CT圖像，可以顯示MRI無(wú)法清晰顯示的顱骨和鈣化[24-26]，這對(duì)神經(jīng)外科醫(yī)生在術(shù)前設(shè)計(jì)顱骨被腦腫瘤侵犯時(shí)的顱骨瓣和骨窗的大小非常有幫助[27]。

本系統(tǒng)組重建出來(lái)的圖像相對(duì)清潔、緊湊飽滿，各結(jié)構(gòu)輪廓清，同人工腫瘤結(jié)構(gòu)重建相比，都具有較高的圖像質(zhì)量，且在腫瘤供血?jiǎng)用}、回流靜脈及周圍重要結(jié)構(gòu)解剖關(guān)系及破壞情況中易于判斷。但人工腫瘤分割及重建腫瘤是一項(xiàng)繁瑣、耗時(shí)的任務(wù)，且操作者需要具有豐富解剖經(jīng)驗(yàn)。而在本系統(tǒng)對(duì)腫瘤及周圍結(jié)構(gòu)一體化重建中，用時(shí)將由人工用時(shí)的（5 442±623） s減少到了（657±78） s，且在整個(gè)自動(dòng)重建過(guò)程中不需要人為的過(guò)多干預(yù)。因此，本系統(tǒng)大大減少了技術(shù)人員必須在每張圖像上花費(fèi)的時(shí)間，同時(shí)避免了由于可能存在人為誤差，需要多名醫(yī)生再次確定、校驗(yàn)的情況，節(jié)約了大量的人力，可以進(jìn)一步增加臨床醫(yī)生與病人的溝通，提供更多的人文關(guān)懷。

除此之外，本系統(tǒng)也能具體量化出腫瘤及瘤周水腫的體積大小，對(duì)腫瘤大小、腫瘤周圍水腫嚴(yán)重程度的判斷有了新的提示作用；其次對(duì)未行手術(shù)治療，定期隨訪的腦腫瘤患者，通過(guò)腫瘤、水腫的量化比較，對(duì)于腫瘤及腫瘤周圍水腫進(jìn)展情況有一定的輔助評(píng)估，以便給予臨床醫(yī)生一定的輔助判斷。

雖然本系統(tǒng)在重建圖像的圖像質(zhì)量上擁有較好的表現(xiàn)，但不得不承認(rèn)對(duì)于小腦幕下及顱底的腦腫瘤重建圖像質(zhì)量不佳，因?yàn)樾∧X幕下及顱底腦腫瘤擁有更復(fù)雜的周圍結(jié)構(gòu)，可能被分割算法錯(cuò)誤地識(shí)別為腫瘤的一部分，可能導(dǎo)致這些腦腫瘤重建的差異[28]。其次，對(duì)于腦膠質(zhì)瘤及轉(zhuǎn)移瘤，因?yàn)槌３０瑝乃溃指?，囊腔等等更多信息，使腫瘤形狀更分散和復(fù)雜，導(dǎo)致系統(tǒng)對(duì)于分割含有壞死、囊腔的腫瘤更具有更大的挑戰(zhàn)性[29] 。最后本研究的病例均來(lái)自單中心且研究樣本量較小，需要匯集來(lái)自不同中心的數(shù)據(jù)進(jìn)行多中心試驗(yàn)，以進(jìn)一步證明和驗(yàn)證算法結(jié)果的穩(wěn)定性和準(zhǔn)確性。

總之，本研究設(shè)計(jì)的系統(tǒng)能夠基于腦腫瘤患者的多模態(tài)MRI序列，自動(dòng)重建出三維可視化腦腫瘤及周圍水腫、血管、纖維束、腦皮質(zhì)模型。與手動(dòng)重建相比，在節(jié)約時(shí)間的同時(shí)，又節(jié)省了勞動(dòng)力，且與手動(dòng)重建圖像并無(wú)明顯差異。另外，本系統(tǒng)能夠立體顯示腫瘤周圍重要結(jié)構(gòu)與腫瘤間的關(guān)系，以及關(guān)于腫瘤本身、腫瘤周圍水腫的具體量化，對(duì)于術(shù)前的評(píng)估和計(jì)劃，具有重要意義。

參考文獻(xiàn)

[1] Dimeco F，Li KW，Casali C，et al. Meningiomas invading the supe?rior sagittal sinus： surgical experience in 108 cases[J]. Neurosurgery，2008，62（6）： 1124-1135.

[2] Heros RC. Venous preservation[J]. J Neurosurg，2013，119（1）：71-72．

[3] Jui SL，Zhang SC，Xiong WL，et al. Brain MRI tumor segmentationwith 3D intracranial structure deformation features[J]. IEEE Intell Syst，2016，31（2）：66-76．

[4] Akkus Z，Galimzianova A，Hoogi A，et al. Deep learning for brain MRI segmentation：state of the art and future directions[J]. J Digit Imag?ing，2017，30（4）：449-459．

[5] Virupakshappa，Amarapur B. Cognition-based MRI brain tumorsegmentation technique using modified level set method[J]. Cogn Tech?nol Work，2019，21（3）：357-369．

[6] van Garderen KA，van der Voort SR，Versteeg A，et al. EASE：clinical implementation of automated tumor segmentation and volumequantification for adult low-grade glioma[J]. Front Med，2021，8：738425．

[7] Zhou M，Scott J，Chaudhury B，et al. Radiomics in brain tumor：im?age assessment，quantitative feature descriptors，and machine-learningapproaches[J]. AJNR Am J Neuroradiol，2018，39（2）：208-216．

[8] Shal K，Choudhry MS. Evolution of deep learning algorithms forMRI-based brain tumor image segmentation[J]. Crit Rev Biomed Eng，2021，49（1）：77-94．

[9] Clarke LP，Velthuizen RP，Clark M，et al. MRI measurement ofbrain tumor response：comparison of visual metric and automatic seg?mentation[J]. Magn Reson Imag，1998，16（3）：271-279．

[10] Sun JW，Chen W，Peng ST，et al. DRRNet：dense residual refinenetworks for automatic brain tumor segmentation[J]. J Med Syst，2019，43（7）：221．

[11] Menze BH，Jakab A，Bauer S，et al. The multimodal brain tumorimage segmentation benchmark（ BRATS）[J]. IEEE Trans Med Imaging，2015，34（10）：1993-2024．

[12] Kofler F，Berger C，Waldmannstetter D，et al. BraTS toolkit：trans?lating BraTS brain tumor segmentation algorithms into clinical and sci?entific practice[J]. Front Neurosci，2020，14：125．

[13] ?teňo A，Holly V，Mendel P，et al. Navigated 3D-ultrasound ver?sus conventional neuronavigation during awake resections of eloquentlow-grade gliomas：a comparative study at a single institution[J]. ActaNeurochir，2018，160（2）：331-342．

[14] Hou XL，Yang DD，Li DJ，et al. A new simple brain segmentationmethod for extracerebral intracranial tumors[J]. PLoS One，2020，15（4）：e0230754．

[15] Zhang F，Noh T，Juvekar P，et al. SlicerDMRI：diffusion MRI andtractography research software for brain cancer surgery planning and vi?sualization[J]. JCO Clin Cancer Inform，2020，4：299-309．

[16] Isa IS，Sulaiman SN，Mustapha M，et al. Automatic contrast en?hancement of brain MR images using Average Intensity Replacementbased on Adaptive Histogram Equalization（AIR-AHE）[J]. BiocybernBiomed Eng，2017，37（1）：24-34．

[17] Dill V，F(xiàn)ranco AR，Pinho MS. Automated methods for hippocam?pus segmentation：the evolution and a review of the state of the art[J].Neuroinformatics，2015，13（2）：133-150．

[18] Saito T，Rehmsmeier M. Precrec：fast and accurate precisionrecalland ROC curve calculations in R[J]. Bioinformatics，2017，33（1）：145-147．

[19] Hussain S，Anwar SM，Majid M. Segmentation of glioma tumors inbrain using deep convolutional neural network[J]. Neurocomputing，2018，282：248-261．

[20] Yang TJ，Song JK，Li L. A deep learning model integrating SKTPCNNand random forests for brain tumor segmentation in MRI[J]. Bio?cybern Biomed Eng，2019，39（3）：613-623．

[21] Li HC，Li A，Wang MH. A novel end-to-end brain tumor segmen?tation method using improved fully convolutional networks[J]. ComputBiol Med，2019，108：150-160．

[22] Zhao XM，Wu YH，Song GD，et al. A deep learning model inte?grating FCNNs and CRFs for brain tumor segmentation[J]. Med ImageAnal，2018，43：98-111．

[23] Mert A，Kiesel B，W?hrer A，et al. Introduction of a standardizedmultimodality image protocol for navigation-guided surgery of sus?pected low-grade gliomas[J]. Neurosurg Focus，2015，38（1）：E4．

[24] Guo YX，Sun ZP，Liu XJ，et al. Surgical safety distances in the in?fratemporal fossa：three-dimensional measurement study[J]. Int J OralMaxillofac Surg，2015，44（5）：555-561．

[25] Zhu ZQ，Chai Y，Yin HP，et al. A novel dictionary learning ap?proach for multi-modality medical image fusion[J]. Neurocomputing，2016，214：471-482．

[26] Kim YI，Lee DH，Cho CB，et al. The usefulness of dual-volumevisualization （three-dimensional digital subtraction angiography andcross-sectional imaging） for surgical planning in treating intracranialmeningiomas：a case series and technical report[J]. World Neurosurg，2019，122：e59-e66．

[27] Su JH，Ba YY，Liang ST，et al. Type Ⅲ intraosseous meningiomainvading superior sagittal sinus and skull periosteum[J]. J CraniofacSurg，2019，30（6）：e561-e563．

[28] Fick T，van Doormaal JAM，Tosic L，et al. Fully automatic braintumor segmentation for 3D evaluation in augmented reality[J]. Neuro?surg Focus，2021，51（2）：E14．

[29] Kanaly CW，Ding DL，Mehta AI，et al. A novel method for volu?metric MRI response assessment of enhancing brain tumors[J]. PLoSOne，2011，6（1）：e16031．

（責(zé)任編輯：曾 玲）

基金項(xiàng)目：重慶市自然科學(xué)基金面上項(xiàng)目（編號(hào)：CSTB2022NSCQMSX0152）。