AI 辅助的基于切片池化的胶质瘤分级影像组学算法

背景介绍

胶质瘤（Glioma）是中枢神经系统中最常见和最具威胁的肿瘤，具有高发病率、高复发率、高死亡率和低治愈率。世界卫生组织（WHO）将胶质瘤分为四级（I、II、III和IV），其中I级和II级被称为低级别胶质瘤（LGG），而III级和IV级被称为高级别胶质瘤（HGG）。高级别胶质瘤是一种更具侵袭性的恶性肿瘤，其预期寿命约为两年。尽管WHO在2016年引入了分子分型，可以排除不敏感的治疗，但胶质瘤的分级仍然是一个重要的诊断标准，因为它决定了治疗方案的选择。

磁共振成像（MRI）是检测和分析胶质瘤的常用成像技术。它是一种无创且快速的方法，同时MRI图像包含了丰富的信息，这些信息仅凭医生的观察很难获取。影像组学（Radiomics）作为人工智能技术的一部分，已经成为一种流行的定量影像分析方法。它可以将提取的图像信息量化为特征，这对各种疾病的辅助诊断和预后具有帮助。目前，这一领域的临床研究初步成果已使人们对能将影像组学转化为临床实践的高性能计算机辅助诊断（CAD）系统充满了强烈的期望。

CAD系统集成了解决方案，尤其是图像解决方案，不仅限于医学和生物学问题。它允许基于影像检查进行准确的术前诊断。例如，放射科医生只需在MR图像上分割出感兴趣区域（ROIs），然后将其输入CAD系统，系统即可生成包括病理细节在内的诊断结果。这种新的诊断模式提供的分析结果不低于专家诊断水平，并提高了诊断速度。总之，它可以为患者选择治疗方案提供参考和时间。

尽管基于影像组学的CAD系统表现令人鼓舞，但仍有改进空间。目前，ROIs分割仍然采用半自动或手动方式进行。对于肿瘤疾病的MR图像，经验丰富的放射科医生通常手动分割每个切片的ROIs，这种方法导致了大量劳动和时间消耗，并延迟了整个CAD系统的工作流程。因此，需要开发一种适当的解决方案来减轻放射科医生手动描绘ROIs的负担。

论文来源

本文由Guohua Zhao（郑州大学第一附属医院，郑州大学互联网医疗协同创新中心）、Panpan Man、Jie Bai（郑州大学第一附属医院）、Longfei Li、Peipei Wang（郑州大学第一附属医院）、Guan Yang（中原工学院计算机科学学院）、Lei Shi（郑州大学软件学院）、Yongcai Tao、Yusong Lin（郑州大学软件学院，郑州大学互联网医疗协同创新中心及HANWEI IOT研究所）和Jingliang Cheng（郑州大学第一附属医院）合作，发表于2022年8月的IEEE Transactions on Industrial Informatics期刊上。

---

此次研究确立了一个名为AI-RASP（AI-Powered Radiomics Algorithm Based on Slice Pooling）的AI驱动的影像组学算法，以提高胶质瘤分级的效率和准确性。

方法及流程

1. 切片池化（SP）机制

切片池化（Slice Pooling，SP）机制是AI-RASP的一个重要预处理步骤。类似于深度学习模型中的池化机制，SP是一种基于图像像素的压缩机制。这种机制将不同切片中同一位置的像素值合并起来，这里我们选择最大值作为该位置的像素值来进行图像压缩。具体公式如下：

[ I_s (i, j) = \max (S_1 (i, j), \ldots, S_k (i, j), \ldots, S_l (i, j)) ]

其中，( S_k (i, j) ) 表示第k个切片在(i, j) 位置的像素值， ( I_s (i, j) ) 表示压缩图像在(i, j)位置的像素值。

2. AI-RASP工作流程定位

我们提出的AI-RASP算法是CAD系统的原型，可以用于胶质瘤分级。AI-RASP包括以下步骤：

(i) 图像预处理

首先，将四个MRI序列（T1加权成像，T2加权成像，增强T1加权成像和FLAIR成像）的图像输入到影像组学模型中。每个序列都进行SP操作，生成压缩图像。所有图像在输入模型之前都进行预处理，包括使用FSL工具进行颅骨去除、体素归一化和灰度归一化。

(ii) 分割和配准

进行分割和配准之前，设置三个预处理组进行比较验证。群组1为原始图像，由放射科医生手动分割ROIs；群组2为SP操作生成的压缩图像和手动分割的压缩ROIs；群组3为SP操作生成的压缩图像，由放射科医生手动分割。所有肿瘤的2-D ROIs由两名具有多年经验的放射科医生使用ITK-SNAP软件手动分割，并由具有20年以上经验的资深放射科医生复核，以确保分割结果的准确性。

(iii) 影像组学特征提取和筛选

使用Python的pyradiomics软件包对原始图像和压缩图像中提取影像特征进行计算和筛选。用于特征选择的方法包括Mann-Whitney U检验、弹性网络方法和递归特征消除算法，以避免当前特征的过拟合。

(iv) 模型构建和验证

采用线性支持向量机模型根据在训练队列中选择的特征来预测胶质瘤等级，并在不同预处理组中进行模型验证。应用ROC曲线分析包括计算AUC、灵敏度和特异度值来评估模型准确性。

---

结果和分析

所提算法在包括400名病人的多中心数据集上进行了验证，结果表明，与传统手动分割相比，AI-RASP不仅显著提高了分割效率（快5倍以上），而且在胶质瘤分级的准确性上表现出较为一致的效果。具体来说，在训练集上的AUC值达到0.927，在验证集上分别达到0.896、0.902和0.894。

意义与价值

AI-RASP在胶质瘤分级中的应用大大减少了放射科医生手动分割ROIs所需的时间，提高了工作效率，并且其压缩图像的特征提取效果良好，有助于影像组学在临床中的应用。综合考虑，其不仅在科学研究方面具有重要价值，还在提高临床诊断效率和准确性方面展现了广阔的应用前景。

总结

本文提出了一种基于切片池化的AI驱动影像组学算法（AI-RASP），在胶质瘤影像分级中大幅提高了分割效率和准确性。未来的研究将进一步验证AI-RASP在高级MRI技术、更多元化的组织学检查和前瞻性数据中的效果。