基于深度学习的乳腺DCE-MRI图像推演模型的构建

王苹苹，聂 品，王丽芳，党艳莉，朱开国，陈宝莹

1.西安国际医学中心医院临床实验中心，陕西 西安 710700；

2.西安国际医学中心医院影像诊疗中心，陕西 西安 710700

乳腺癌已经成为女性发病率最高的恶性肿瘤，并且发病率在世界范围内持续增长，严重威胁女性的健康［1-2］。磁共振成像（magnetic resonance imaging，MRI）筛查乳腺能发现更多的早期肿瘤［3-4］，显著降低乳腺癌死亡率［5-7］。多个指南［8-9］均建议高危人群除须进行乳腺X线摄影筛查外，还应补充乳腺MRI筛查。但传统完整的乳腺MRI检查须进行平扫及多期动态对比增强MRI（dynamic contrast-enhanced MRI，DCEMRI），价格贵、耗时长、技术要求高，以及存在造影剂过敏风险及造影剂导致的不良反应等问题［10］。非增强简化乳腺MRI方案的提出有效缩短了扫描时间，降低了费用，且避免了造影剂的使用，但由于缺少增强序列图像，筛查的敏感性及准确性尚无法确定［11］。因此，亟须寻找一种新型技术方法，实现在无实际扫描的情况下，获取增强图像，来有效弥补非增强简化序列中信息的缺失。

近年来，生成对抗网络（generative adversarial networks，GAN）在医学图像中的应用，为提高医学图像质量及实现图像模态间的转换提供了新思路［12-14］。Huang等［15］利用上下文感知的GAN，实现了运用脑部MRI的T1加权成像（T1-weighted imaging，T1WI）图像推演生成T1WI增强、T2加权成像（T2-weighted imaging，T2WI）及T2液体抑制反转恢复（fluid-attenuated inversion recovery，FLAIR）序列图像，有效证明了GAN算法在医学图像合成中的潜在价值。此外，已有研究［16-17］证明GAN模型可以将低剂量计算机体层成像（computed tomography，CT）图像转换为正常剂量CT图像。虽然推演技术在医学影像领域已经取得了一定的成果，但准确度有待提高，同时生成的图像质量仍不能满足临床需求。另外，现有研究［15-17］多集中在脑部MRI、CT等方面，乳腺MRI图像模态间的转换研究未见报道。本研究旨在探究利用GAN实现乳腺MRI平扫图像合成DCE-MRI图像的可行性。在这里，我们拟利用深度学习Pix2Pix算法［18］构建乳腺DCE-MRI图像推演模型，使其能够利用T1WI序列图像合成DCE序列图像，以期补充非增强简化序列中信息的缺失。

1 资料和方法

1.1 研究对象

收集2020年1月—2021年8月在西安国际医学中心医院行乳腺MRI检查的54例女性患者的临床信息及乳腺MRI图像资料，随机分为训练集（38例）、测试集1（8例）及测试集2（8例）。纳入标准：① 具有完整的乳腺MRI序列；② MRI图像无严重运动伪影、磁敏感伪影或其他伪影；③ 未进行乳房切除手术、乳房整形手术及其他治疗。排除标准：① 乳腺MRI序列不完整；② MRI图像有严重运动伪影、磁敏感伪影或其他伪影导致无法分析；③ 行乳房切除手术或整形手术的患者；④ 乳腺癌新辅助治疗、放疗等治疗后的患者。本研究经西安国际医学中心医院伦理委员会批准，按照《赫尔辛基宣言》的原则进行。

1.2 仪器与图像采集

1.2.1 仪器

采用德国Siemens公司的Magenatom Prisma 3.0 T MRI仪行乳腺MRI检查，使用18通道专用乳腺相控阵线圈进行数据采集。

1.2.2 图像采集

患者采取俯卧位，足先进。平扫使用T1 快速小角度激发（fast low angle shot，FLASH）3D序列，T2最优可变翻转角改善对比完美采样（sampling perfection with application optimized contrast using different flip angle evolution，SPACE）精准频率反转恢复（spectral adiabatic inversion recovery，SPAIR）序列；弥散使用Zoomit弥散加权成像（diffusion weighted imaging，DWI）序列，b值选用0和1 000 s/mm2；增强采用容积内插屏气扫描（volumetric interpolated breath-hold examination，VIBE）序列，蒙片后扫描6期，单期时长111 s，造影剂使用钆贝葡胺注射液，注射剂量为0.2 mmol/kg并等量注射生理盐水，注射速率为2 mL/s。各序列扫描基本参数设置见表1。

表1 扫描序列基本参数设置表

1.3 深度学习模型

1.3.1 图像预处理

本研究采集的MRI原始图像均为DICOM格式；首先，将图像转换为PNG格式，且图像尺寸不变，即384 mm×384 mm；然后利用Min-Max方法对图像进行归一化处理，使得归一化后的图像像素调整到［-1，1］范围；最后，对图像进行旋转、裁剪和镜像操作，来扩展训练数据集。

1.3.2 推演模型构建

本研究采用Pix2Pix算法，使用训练集中的3 000对预处理后的DCE-MRI图像来训练乳腺DCE-MRI图像推演模型，学习T1WI序列图像与DCE序列第一期图像间的映射关系，从而使训练后的模型能够利用T1WI序列图像生成对应的DCE序列第一期图像。在模型训练过程中，我们使用Adam优化器优化目标损失函数，且每次训练都对目标函数进行更新，直到收敛。

1.3.3 模型性能评估

在测试集中利用乳腺DCE-MRI图像推演模型合成DCE第一期图像及序列，并分别通过峰值信噪比（peak signal to noise ratio，PSNR）、结构相似性（structural similarity，SSIM）、均方误差（mean square error，MSE）、平均绝对误差（mean absolute error，MAE）指标［19］对模型性能进行客观评估；另外，使用Pearson相关性分析来评估合成的DCE序列与原始的DCE序列间的相关性。

1.4 统计学处理

连续变量采用±s来表示；另外，采用Pearson相关性来分析合成的DCE序列与原始序列的相关性。

2 结 果

2.1 模型合成DCE图像的性能

首先，评估模型合成DCE图像的性能。在测试集1中随机选取了760张T1WI图像（来自8例患者），利用推演模型合成其对应的第一期DCE图像，合成图像的PSNR、SSIM评估结果见表2。结果显示，合成图像与原始图像具有较高的SSIM，且信息损失较低。

表2 模型合成DCE图像的性能评估结果

2.2 合成DCE序列的重建误差

评估模型合成第一期DCE序列的性能。图1展示了对测试集2中每个受试者合成的第一期DCE序列的重建误差分布情况，表3为合成的DCE序列的总体重建误差。可以看出，合成的DCE序列与其原始DCE序列相比具有较小的重建误差。

表3 合成的DCE序列的总体重建误差

图1 合成的第一期DCE序列重建误差分布图

2.3 相关性分析结果

评估合成的DCE序列与原始DCE序列间的相关性。如图2所示，箱形图展示了患者的合成序列与原始序列间相关性分布。结果显示，合成的第一期DCE序列与其原始DCE序列间均存在高度正相关，其中，合成的第一期DCE序列与原始DCE序列间相关性的平均值为r=0.872±0.038（95% CI：0.870～0.874，P=0.000）。

图2 合成的第一期DCE序列与真实DCE序列相关性分析结果

另外，如图3所示，图3A为合成的DCE第一期图像，图3B为原始的DCE第一期图像。合成的DCE图像在心脏及大血管中得到了显著的增强，且具有与原始DCE图像相似的背景实质增强及病灶增强。

图3 DCE第一期图像示例

3 讨 论

本研究利用Pix2Pix算法构建乳腺DCE-MRI图像推演模型，开发了利用T1WI序列推演合成DCE序列第一期图像的新技术。并且，我们发现通过该模型合成的DCE序列图像与原始的DCE序列图像具有很高的结构相似性、较低的信息丢失和重建误差。另外，合成的DCE序列与原始的DCE序列存在高相关性（r=0.872±0.038，95% CI：0.870～0.874，P=0.000）。由此可见，本研究构建的乳腺DCE-MRI图像推演模型可以生成逼真的DCE序列图像。

本研究构建的乳腺DCE-MRI图像推演模型为无须实际扫描即可获取DCE序列图像提供了一种新思路，通过该方式可以有效避免造影剂的使用，且补充非增强简化序列中缺失的信息，缩短检查时间，减少花费，对提高乳腺MRI的普适性具有重要意义。虽然不少研究者［20-21］已经利用深度学习方法实现了医学图像模态间的转换，但乳腺MRI图像存在像素分布不均匀等问题，且利用乳腺MRI平扫序列推演DCE序列的研究未见报道。本研究首次提出利用GAN算法，使用平扫图像推演生成DCE-MRI序列第一期图像，证明了其可行性，为拓宽深度学习在乳腺MRI模态间转换奠定了基础。

本研究的局限性在于仅在较小样本的数据集上构建了乳腺DCE-MRI图像推演模型；但值得肯定的是，该模型已经可以合成逼真的DCE序列图像。我们将在后续研究中扩大样本量来训练模型，以期提高性能。另外，本研究仅在回顾性数据集中验证了模型性能，在接下来的研究中，我们会进一步进行前瞻性研究来验证其性能。

总之，本研究利用Pix2Pix算法构建了乳腺DCE-MRI图像推演模型，该模型实现了利用T1WI图像合成DCE序列第一期图像的技术。合成的DCE序列图像与原始的DCE序列图像具有较高的SSIM、较低的信息损失及重建误差。该方法为有效避免造影剂的使用、补充非增强乳腺MRI简化序列中信息的缺失奠定了基础，同时能有效地缩短检查时间，减少花费，对提高乳腺MRI的普适性，尤其是促进乳腺MRI筛查的普及提供了很重要的思路。