关于脊椎热消融手术的计算机建模仿真研究进展

韦兴，肖熠，刘申，应葵

1 航天中心医院 骨科，北京市，100049

2 清华大学 工程物理系，北京市，100091

0 引言

肿瘤热消融手术能够有效治疗脊椎相关的肿瘤病变，该方法通过高温加热直接消灭肿瘤组织，在控制好消融范围的情况下，可以将对人体正常组织造成的损伤降至最低。根据加热热源的不同，肿瘤消融可以分为激光消融、射频消融、超声消融和微波消融。作为无创手术，手术过程中需要利用CT、MRI等医学影像提供患者体内图像信息，辅助定位加热探针。

当前，计算机手术仿真有巨大的应用前景，能够在术前模拟手术情况，为手术方案的设计提供参考信息。在脊椎热消融手术仿真中，计算机主要能够在两个方面提供帮助。第一是三维建模，计算机可以通过图像分割的方法，从医学图像中提取人体脊椎结构，并转化为三维模型。第二是仿真计算，基于脊椎的三维模型，可以通过有限元分析的方法，模拟手术过程，计算温度分布与消融范围。

1 计算机智能分割与建模

医学图像的分割是对像素进行分类的过程，将属于目标对象的像素全部标记，从而将目标对象从图像中分割出来，获得目标的形状、边界、位置等信息。从包含脊椎的三维医学图像中，我们可以通过两种分割方法得到脊椎的几何结构，一是直接从三维图像分割；二是将多个二维图像的分割结果叠加起来。

过去几十年中，国内外对医学图像分割的研究十分广泛，研究方法也不断更新。最初是设置像素强度阈值来分割图像，之后是多种数学方法的应用，如区域生长、边缘检测、聚类等[1]。最新的方法主要是基于深度学习神经网络的，其结果一般优于传统数学算法。相关神经网络的结构也随着医学图像分割的需求不断优化，从最初的卷积神经网络（CNN）[2]，发展为全卷积神经网络（FCN）[3]，进一步改进后得到最新的U-Net神经网络[4]，其分割效果逐渐提升。相比普通的光学图像，医学图像难以大量采集数据，而U-Net神经网络克服了训练数据需求量大的问题，只需要适量医学图像数据训练即可得到较好的分割结果，正适用于此。该网络结构包含一个收缩路径和一个拓展路径，网络结构形如“U”而得名[5]。收缩路径能够减少图像信息，提取特征，而拓展路径将特征图进行上采样，结合全局信息，最后将两条路径得到的结果进行拼接，完成整个图像分割过程。

U-Net神经网络因为其在医学影像中的优势得到广泛应用。最初，U-Net神经网络是用于处理2D图像[5]，但这样在分割3D图像时，丢失了层与层之间的联系特征，没有充分利用3D图像的信息。后来的研究中，用于处理3D图像的U-Net网络得到了实现[6]，该研究先尝试建立3D U-Net网络，用于处理已完成稀疏标注的3D图像，再将网络优化，使之能直接对未标注的3D图像进行图像分割。基于前面两项研究提出的3D Dense U-Net[4]，在卷积层中增加了密集连接层，能够用于更高分辨率的脊椎图像分割，对比前两个网络的分割结果，分割准确率大大提升。

脊椎的分割是具有较大难度的，大部分输入图像是胸腔图像，很难通过阈值化与其他骨骼区分。又因为脊椎组织和周围组织的对比度较低，神经网络对脊椎边界的识别不够准确，导致分割结果的精确度难以保证。此外，医学上还对椎间盘的定位和分割有需求，它们可以帮助诊断相关脊椎疾病。椎间盘分割一开始以半自动分割为主，这些方法需要人工输入作为辅助[7-8]。基于U-Net神经网络的椎间盘分割已得到检验[9]，该方法先定位椎间盘的中心，基于该中心选定一个包含椎间盘的感兴趣区域，在选定区域内进行分割，并将其作为训练数据。由此训练的网络，其分割有效性在2D和3D数据上都得到了验证。另一项研究将椎骨和椎间盘的U-Net网络分割，与基于ImageJ (https://imagej.nih.gov/ij/) 的手动分割进行对比，两者的结果非常吻合[10]。该研究还基于分割结果，定量测量了椎间盘退变情况，验证了脊椎分割可应用于椎间盘衰老情况测量。

大部分文献中用于脊椎分割的神经网络，只能处理与训练数据同类型的图像，只针对个别椎骨，不能完成整个脊柱的分割。脊椎分割技术若是应用于临床手术，需要适用于不同的成像序列和扫描仪，保证速度和完整性，即针对任意医学图像，都能快速分割整个脊柱。针对这一系列问题，RAK等[11]创新性地将特定任务的卷积神经网络与基于编码交换的图割公式结合，提出一种能够避免相邻椎骨混淆，对多个椎骨进行分割的深度学习方法。该方法在两个不同数据集上进行了测试，分别是T1和T2加权的全脊椎图像，以及T2加权的胸腰椎图像。两个数据集的分割准确率都很高，而且分割速度快，单个椎骨只需要1 s左右，完整脊柱分割大概只需要30 s。这证明脊椎分割有临床应用的前景。

脊椎分割的临床应用还面临一个困难，大部分网络都是用正常椎骨进行训练，如果严重的病理使得椎骨的外观变化过大，如骨折、肿瘤等，网络的分割质量将达不到临床要求。许多文献直面这一缺陷，认为未来通过大量数据集的训练，尤其是增加脊椎病变患者的图像作为训练集，有机会解决椎骨形变问题。针对腰椎管狭窄症的研究[12]，使用了来自大约4 000名患者的大型数据集，完成了高准确度的腰椎分割，并对椎管狭窄症进行了自动分级。另一针对椎骨压缩性骨折的研究[1]，采取了将形状、结构和联合的形状与结构特征应用到分割和检测步骤中，达到了很高的腰椎分割准确率，并进一步识别正常、恶性和良性的椎骨压缩性骨折。这些研究表明，脊椎病变带来的分割不准确问题，在未来可以通过多种方式解决。

虽然目前的脊椎分割结果大部分离临床应用还有一定距离，但是已经有研究尝试将智能分割应用于仿真手术。该研究尝试开发的系统用于椎弓根螺钉内固定手术，能够自动分割脊椎、识别椎弓根并提供螺钉路径建议[13]。在其设定的标准下，椎弓根识别准确率达到了95%，研究者在椎弓根模型中能够完成螺钉的定位，对临床手术提供螺钉放置路径的建议。该技术未来可以应用于椎弓根螺钉内固定手术的3D导航。类比该研究，脊椎分割也存在应用于脊椎肿瘤热消融手术的潜力。

2 脊椎肿瘤热消融手术仿真

基于脊椎的分割结果，可以完成脊椎的计算机三维建模。建模需要三维的脊椎分割结果，可以直接通过3D网络分割获取，也可以由二维分割图像叠加得到。取三维分割图像边缘的像素点，连接得到三维模型，并优化边缘，修改格式。完成建模后即可基于脊椎模型进行热消融手术仿真。仿真需要导入热源，热源与热消融手术类型有关。仿真热源用来模拟现实中的消融手术加热过程，从而模拟手术中肿瘤区域的温度变化，实现手术仿真。计算仿真手术中各个时刻的温度分布，即可为临床手术提供重要的参考。

消融手术的温度计算是仿真的一个难点，现实中的所有环境因素是不可能全部模拟的，如何尽可能地让仿真逼近实际情况，并能对真实手术带来帮助，是研究者们考虑的问题。

真实世界中，温度场、电场都是随着空间、时间连续变化的，要想模拟真实情况，并利用计算机进行数值分析，可以采取有限元分析的方法。有限元分析将连续变化的物理量转化为时间域和空间域上离散的数值，用这些有限的离散点数值去接近现实中的连续分布。它的优势在于自由划分离散单元，对于肿瘤这样的边界不规则对象，也可以正确求解。求解时将初始数值代入合适的传热方程，即可计算出随时间、空间分布的温度场。在射频消融仿真中，有研究使用有限元建模预测了肝组织消融，并做了体外实验，发现数值结果与其吻合[14]。另外有射频消融的研究表明，在均质肝组织中，使用如四齿RFA探针产生的消融范围也是可以预测的[15]。

有限元方法仿真在内脏消融手术中应用广泛，而且也逐渐被应用到脊椎肿瘤消融手术中。以最普遍的射频消融为例，要想正确建模分析，需要准确设置相关参数，如前面提到的椎骨几何形状等空间参数，以及不同区域的电导率、热导率和血液灌注等参数，这些直接影响组织内部的电位分布、温度分布。有相关研究考虑了这些因素，并引入了连续灵敏度方程，推导了一套敏感性分析方法，获得了较为精确的温度分布结果[16-17]。除了设定相关参数以外，消融手术的仿真有时还需要加入一些假设，从而完善模型，更准确地计算温度分布值[18]。消融手术中，不同的热源有各自的特点，这些也需要在仿真中体现出来。如超声消融中，骨头的吸声系数远大于软组织，会在骨头表面产生额外的热量，同时还要考虑声衰减这一因素对手术消融范围的影响[19-20]。

3 结束语

计算机智能分割在脊椎肿瘤图像的应用上，仍需要进一步优化，将不同序列、不同扫描仪的图像纳入到训练数据中，同时解决椎骨病变带来的分割不准确问题。仿真消融手术的数值计算，需要提升精度，优化有限元模型和传热方程，将影响温度的因素尽可能考虑到仿真手术中，并与离体实验结果比较，完善仿真体系。

计算机建模仿真技术要应用到临床的脊椎热消融手术中，需要完善计算机智能分割建模和仿真消融手术数值计算这两部分技术。这两项研究相对独立，尤其是图像分割，有着广泛的应用，但如何完成从图像分割到三维模型的建立，仍是有待完善的环节。仿真模型因为会用于有限元分析，对建模精度和格式也有要求。目前的仿真手术系统都是基于已有的脊椎三维模型，未来需要将计算机智能分割与建模纳入整个体系中，才能够形成完整的技术链，投入临床应用。