摘要

MRI是脑膜瘤影像中的首选方法，脑膜瘤的体积评估与脑膜瘤的治疗计划和监测高度相关。【脑膜瘤体积量化分析与脑膜瘤未来发展预测？这个研究是否更有意义（RNN？）】
本文提出在常规的MRI数据（包括来自不同机构的图像）上使用一种多参数的深度学习模型(DLM)进行研究，主要探究与传统手工方法相比，新提出的DLM在脑膜瘤自动检测和分割中的性能表现。
提出的方法：
- 数据：56例连续的术前脑膜瘤MRI数据集（T1/T2加权，T1加权对比增强（T1CE)，FLAIR），数据来源于医院临床数据。数据在组织学上被分级为I级肿瘤（n=38）和II级肿瘤（n=18)。
- 训练：使用DLM（基于DeepMedic架构）在有249个神经胶质瘤病例的独立数据集上进行训练，按照脑肿瘤图像分割基准（BRATS benchmark）对不同类别的肿瘤进行分割。同时最后将结果与两位放射科医生在FLAIR和T1CE中的手动分割结果进行比较。【为啥使用胶质瘤数据训练？？？？或者说是我拿足够多的胶质瘤进行训练，然后拿得到的模型去检测脑膜瘤？迁移学习？】
结果：DLM实现了在56个病例中检测到了55个。且自动分割与手动分割密切相关【这里意思应该是自动分割结果和手动分割相一致】：其中对于肿瘤体积（FLAIR和T1CE中肿瘤体积的联合）的平均Dice系数为：Dice=0.81 ± 0.10(range, 0.46-0.93)，对于T1CE中对比度增强的肿瘤体积，平均Dice系数为0.78 ± 0.19 (range, 0.27-0.95)
总结：虽然扫描仪数据不同，但是DLM可以对脑膜瘤组织进行准确的自动检测和分割。所以本文的方法可以改善和促进治疗计划以及对高发肿瘤的监测。【此处按照作者的说法是应该对不同机器得到的MRI数据进行了归一化】
个人总结：文章使用了基于DeepMedic的DLM模型对56例脑膜瘤进行了实验，实现准确的脑膜瘤检测和分割。最终成功在55例中检测出来了脑膜瘤，且进行了分割实验，且分割结果和手工结果大体相当。同时DLM模型可以适应各种不同的机器【这里是否可能存在使用了数据归一化方法】。该方法可以辅助临床医生进行评估，同时可以提升现有的脑膜瘤监测和治疗计划。

绪论

介绍什么是脑膜瘤，脑膜瘤分级与意义：【即介绍了文章研究脑膜瘤在临床中的意义】
- 脑膜瘤：脑膜内皮细胞的肿瘤，常见颅内肿瘤，在常规的脑部MRI中发生率为0.9%，几乎三分之一的原发性颅内病变是脑膜瘤。同时WHO将脑膜瘤分为三级：良性（I级），非典型（II级）或间变性（III级。组织学的分级可以预测脑膜瘤的生物学行为和脑膜瘤的预后。【分级之后有利于分析和监测脑膜瘤的发展】，同时研究表明：II级和III级脑膜瘤与复发，浸润，侵略性的风险增加有关。【这里之前看到一篇文章对二级三级里面进行进一步细分，能否实现对里面的不同时期进行进一步细分，明确表明与这些风险的相关性？】
介绍为什么选择使用MRI方法，以及脑膜瘤的具体信息：
- MRI 是脑膜瘤的诊断和表征，切除计划，治疗决策和监测治疗的关键方法。
- 典型的脑膜瘤的形状为无柄状或大肠状（无柄状或者长形），有清晰的边界显示硬脑膜附件。它们具有强大的层级对比度增强，在T2加权（T2-weighted）和流体衰减反转恢复（FLAIR）图像中通常是等强度到高强度的。【由于有关知识不了解，所以感觉这里面的表述似乎存在一定问题】
- 表观扩散系数ADC在脑膜瘤之间存在显著差异，并且通常对正常脑组织有同等强度【这里的意思是表观系数ADC可以用来对脑膜瘤进行分级的依据之一，因为肿瘤间存在差异，常规组织间一致】。
- 脑实质瘤周水肿可能出现，尤其是脑膜瘤体积较大时候，同时与良性脑膜瘤相比，非典型和间变性脑膜瘤的肿瘤体积更大【II级和III级的脑膜瘤体积比I级的更大，且脑膜瘤体积越大，瘤周水肿出现的可能越大】。
- 脑膜瘤等级越高，其肿瘤生长速度越快，但是目前仍然没有明确的放射学标准可以可靠的区分出I和II级脑膜瘤。间变性III级脑膜瘤在MRI上表现不同，并且通常呈不规则形状。[I级和II级难以区分应该是个痛点问题，III级较I和II级来说好区分，所以难点在于区分I和II级]
现状：
- 迄今没有全自动检测和分割脑膜瘤的研究，脑膜瘤发展缓慢且多灶性和发生方向不同，脑膜瘤的自动检测可能有助于和改善图像阅读。【大致就是全自动检测可以辅助对于脑膜瘤的判别，即全自动检测可以在MRI上可以直观的标出脑膜瘤位置，不需要医生去检索，算法先把大体位置显示出来】
- 在MRI中脑膜瘤的手动体积估计中，三维方法比二维方法能够提供更高的肿瘤进展检测的敏感性，所以评估肿瘤生长时，体积评估与优于传统的直径法，但维度增加，在评估肿瘤的生长时却很耗时。大脑的MRI图像的体积评估通常是在常规图像评估中进行的，对于许多神经系统疾病是必须的。【3D比2D更好，但是时间更长，2.5D?】
脑膜瘤体积评估重要性
- MRI的脑膜瘤自动检测和分割可以在阅读图像之前作为预处理执行，可能允许对肿瘤体积进行更详细的分析以及进一步的多参数图像分析。自动的肿瘤分割和评估可能会提高鲁棒性和可靠性，因为减少了人工的偏差。
- 由于初诊时的肿瘤体积与肿瘤复发率相关，所以精确的体积评估可以帮助区分脑膜瘤的等级。但是生长与组织学分级之间的相关性不确定，需要进行进一步的评估。【脑膜瘤的生成速度与脑膜瘤等级之间的关系暂不明确,但是肿瘤的体积和术后是否复发有关】
存在挑战
- 自动的脑膜瘤分割算法必须解决几个挑战来提升可靠性，例如：解剖学差异，由于不同MRI仪器导致的成像数据变化以及扫描仪参数的变化导致的成像差异，且脑膜瘤病理学表现差异大。
- DLM中有多个处理层和抽象级别仪器，所以深度卷积神经网络需要大量的训练数据，所以可以通过其自学习能力来提取复杂的特征层次。【这里意思是模型参数非常多，而模型参数非常多的时候，为了避免过拟合，往往会增加训练数据】
- 训练数据和分割的黄金标准是由手动分割得到的，且手动的脑膜瘤分割里评估者内部和评估者之间的差异很大（大约20-30%）。【这里意思应该是手动分割取决于医生经验，会出现相差较大的结果】
- 半自动方法已经用在了脑瘤的分割中，特别是常见的颅内肿瘤：脑膜瘤，胶质瘤。具体方法有：区域生长，随机walker，非负矩阵分解，模糊聚类，livewire算法。
- 基于Chan-Vese的活动轮廓方法和患者特定强度算法的自动的肿瘤体积定义也被用在了放射后的患者。
本研究的目的是：使用深度学习模型研究一级和二级脑膜瘤自动检测和分割的可靠性，数据可以是来自多个机构不同型号不同参数的MRI数据。

材料与方法

病人

介绍一下数据的来源，数据是已经在医院接受脑膜瘤治疗的136个患者的数据，且诊断依据WHO的组织学上分级得到。本文试验数据选取了具有完整可用的MRI数据集的患者，将T1,T2加权，FLAIR,T1CE的MRI序列纳入研究。厚度为1.2mm-6mm。最终筛选出56个病例

MRI

介绍了各种MRI数据的仪器的参数等情况，同时介绍了对于增强图像的获得。

手动分割

两名放射科医生使用IntelliSpace Discovery（Philips Healthcare，Best，荷兰）在共识阅读中进行了手动分割（半自动）。
在T1CE和FLAIR图像中，将增强造影剂的肿瘤和FLAIR等高信号与高信号肿瘤以及周围的高信号水肿定义为肿瘤体积，并分别进行分割。总肿瘤体积（TTV）被定义为T1CE和FLAIR中肿瘤体积的并集，包括实体对比增强肿瘤部分，FLAIR中周围的水肿以及是否存在肿瘤坏死。 T1CE肿瘤体积定义为T1CE图像中对比增强的肿瘤体积。

全自动DLM分割

在249个胶质瘤病例的独立数据集中训练了用于自动检测和分割的DLM：
- DLM对按照BRATS标准定义的四种肿瘤类别（水肿，对比度增强的肿瘤，坏死，非增强肿瘤）进行了体素级分类。【体素级别分类（这里是否就是语义分割，类比二维图像的语义分割是像素级别，那么三维图像的语义分割是体素级别）】
- 在进行自动分割之前使用工具对MRI进行预处理【这里不是一个网络直接归一化，而是提前用工具进行归一化】工具;(SPM8,
  Wellcome Trust Centre for Neuroimaging, London,UK; Intellispace Discovery, Philips
  Healthcare, Best,The Netherlands）
处理流程：
- 1.偏置场校正
- 2.共同注册（？co-registration 翻译）
- 3.颅骨剥离
- 4.重采样至各向同性分辨率为1x1x1mm³
- 5.归一化为零均值和标准差为1
DLM基于DeepMedic 结构，使用3D卷积神经网络，然后使用3D全连接网络消除误报（false positives），其中3D卷积神经网络包括两条途径，这些途径应用不同的图像分辨率来捕获肿瘤外观的小的或长范围特征，用于分析的提取的肿瘤体积是TTV和T1CE TV。

统计分析

使用JMP软件进行统计分析，定量结果：平均值±标准方差
体积评估：
- 将结果得到的肿瘤体积与标注的体积进行比较来评估自动给分割的结果
- TTV和 T1CE TV：比较分割的体积和体素的精度
使用Dice系数来精度计算分割结果和标记结果。

结果

病人

病人情况：56个病人（28男+28女）平均年龄为59.1±13.7岁（范围33-86岁）。
脑膜瘤分级情况：38个病人是I级脑膜瘤，18个是II级脑膜瘤，分布区域如下：
- falx:6 （镰状）
- convexity:24 （颅骨凸度）
- sphenoid wing:9（蝶骨翼）
- olfactory groove :4 (嗅槽)
- suprasellar: 2 （鞍骨）
- posterior fossa:10 （后颅窝）
- attachment to thesinus: 1 （鼻窦）
结果：
- 手动分割结果：T1CE中手动分割的平均TV为30.9±25.9 cm3，T1CE和FLAIR中手动分割的肿瘤体积并集的TTV为74.0±67.2 cm3。
- 自动检测结果：T1CE中的TV为22.8±18.8 cm3，TTV为67.9±58.8 cm3。
  表1给出了定位后分类的其他详细TV数据。
从结果数据来看，从体积上，检测到的肿瘤体积比实际体积要小

检测

56例里面使用DLM检测出来55例是脑膜瘤，准确率为98%
没有检测出来的那1例情况：
- 位于颅底（骨）的II级脑膜瘤，体积为12.7cm³ 肿瘤体积小，周围水肿为3.6cm³ ，但是肉眼可以检测到。

分割

手动分割结果和深度学习的自动分割结果在总肿瘤体积（TTV）和对比度增强肿瘤的体积(T1CE TV)上相差不大(p> 0.05)。TTV的平均Dice系数为0.81±0.10（范围为0.46-0.93），而T1CE肿瘤体积的平均Dice系数为0.78±0.19（范围为0.27-0.95）。
一级脑膜瘤和二级脑膜瘤的Dice系数没有明显区别：
- I级：TTV的平均Dice系数为0.80±0.11，T1CE肿瘤体积的平均Dice系数为0.76 ± 0.21
- II级：TTV的平均Dice系数为0.83± 0.07，1CE肿瘤体积的平均Dice系数为0.83 ± 0.11
基于DLM的自动分割只要在两个体积之一中效果好，那么TTV或者T1CE的Dice系数就会较高
*与颅底相连的脑膜瘤自动分割效果比颅骨凸部的脑膜瘤要差一点

讨论

文章探究了基于DLM的脑膜瘤全自动检测和分割方法，可以实现准确检测和分割，可以处理来自不同机构，不同机器，不同参数的MRI数据。
检测正确率高达98%（这里应该只是检测出来，并没有实现对脑膜瘤的分级，就类似与目标检测中，检测出来物体，同时标明类别，这里应该没有标明脑膜瘤的级）
自动分割结果与手动的差不多，且Dice系数在TTV和T1CE TV上都很高（0.81 和 0.78）
肿瘤周围水肿程度对临床结果以及手术决策具有决定性的影响
训练使用的是胶质瘤，测试用的脑膜瘤，这里应该是脑膜瘤数量不够训练
脑膜瘤分割的挑战：
- （1）FLAIR中周围的水肿可能导致复杂的肿瘤结构，如图5所示；
- （2）脑膜瘤主要位于硬脑膜和/或颅底，并伴有边界性高强度结构（例如硬脑膜，血管），使划定具有挑战性;
- （3）FLAIR信号强度差异很大，脑膜瘤甚至可对正常脑组织呈现等强度；
- （4）当水肿和坏死出现在增强对比的肿瘤旁边时，脑膜瘤和周围组织也表现出异质性

脑膜瘤论文阅读（一）相关推荐

论文阅读——用于脑机接口的运动意图和运动想象脑电数据分析研究
最近在看脑电数据处理相关的论文,为了更加系统的学习,现在特别做一个论文阅读总结专栏,总结每篇经典论文中的核心点. 用于脑机接口的运动意图和运动想象脑电数据分析研究--庞雅杰(哈尔滨工业大学) 摘要: ...
缺陷检测相关论文阅读总结（记录自己读过的论文主要内容/Ideas）
缺陷检测相关论文阅读总结(记录自己读过的论文主要内容) Attention!!! 点击论文题目即可访问原文or下载原文PDF文件: 每篇文章的内容包含:内容总结.文章Ideas: 更多关于缺陷检测以及 ...
美赛经验分享（2020）：个人经验/参考文章/资料分享/参赛注意事项/17-19年o奖论文阅读总结分享
美赛经验汇总因为参加了2020年美赛(2月份那一场),所以在这里共享一下所有过程中的经验和文件,算是一种记录,也希望能对大家有所帮助(ง •_•)ง 主要内容是: 比赛前个人准备过程中的经验.准备 ...
论文阅读——Segmenting Medical MRI via Recurrent Decoding Cell
论文阅读之循环解码单元用于MRI医学图像分割  Segmenting Medical MRI via Recurrent Decoding Cell from AAAI2020 继续看医学图像分割网络 ...
论文阅读和分析： “How Attentive are Graph Attention Networks?”
下面所有博客是个人对EEG脑电的探索,项目代码是早期版本不完整,需要完整项目代码和资料请私聊. 数据集 1.脑电项目探索和实现(EEG) (上):研究数据集选取和介绍SEED 相关论文阅读分析: 1. ...
[论文阅读] (30)李沐老师视频学习——3.研究的艺术·讲好故事和论点
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
论文阅读笔记（9）：加权稀疏子空间表示——子空间聚类、约束聚类和主动学习的统一框架
论文阅读笔记(9):WEIGHTED SPARSE SUBSPACE REPRESENTATION--A UNIFIED FRAMEWORK FOR SUBSPACE CLUSTERING, CONS ...
【论文阅读】A Survey of Challenges and Opportunities in Sensing and Analytics for Risk Factors of Cardiova
论文阅读:A Survey of Challenges and Opportunities in Sensing and Analytics for Risk Factors of Cardiovas ...
[论文阅读]阿里DIN深度兴趣网络之总体解读
[论文阅读]阿里DIN深度兴趣网络之总体解读文章目录 [论文阅读]阿里DIN深度兴趣网络之总体解读 0x00 摘要 0x01 论文概要 1.1 概括 1.2 文章信息 1.3 核心观点 1.4 名词 ...
论文阅读和分析：《DeepGCNs: Can GCNs Go as Deep as CNNs?》
下面所有博客是个人对EEG脑电的探索,项目代码是早期版本不完整,需要完整项目代码和资料请私聊. 数据集 1.脑电项目探索和实现(EEG) (上):研究数据集选取和介绍SEED 相关论文阅读分析: 1. ...

脑膜瘤论文阅读（一）

Fully automated detection and segmentation of meningiomas using deep learning on routine multiparametric MRI[使用常规多参数MRI的深度学习对脑膜瘤进行全自动检测和分割]

摘要

绪论

材料与方法

病人

MRI

手动分割

全自动DLM分割

统计分析

结果

病人

检测

分割

讨论

脑膜瘤论文阅读（一）相关推荐

最新文章

热门文章