European Radiology：卷积神经网络在脑转移瘤自动检测中的应用

由于脑转移存在与否涉及到分期和治疗计划，因此对于脑转移瘤的准确诊断对于确定适当的治疗策略至关重要。例如，全脑放疗是多发转移的标准治疗方法；但对于病灶较小且较少的患者，则考虑采用立体定向放射治疗。因此，术前准确评估病灶的数量、大小以及位置至关重要。

近年来，利用深度学习技术（如神经网络）算法对脑转移瘤进行自动检测已引入临床应用。一些研究已经证明了使用各种卷积神经网络（CNN）自动检测脑转移瘤的优势。在强化后的T1加权成像中，增强的血管可能被误诊为转移性肿瘤。因此，人们引入了血管抑制的成像方法来减少假阳性（FPs）的发生。有学者提出了一种三维MR序列-VISIBLE技术，用于脑转移瘤的检测。VISIBLE可同时采集有血管抑制的图像（以下简称 "黑图像"）和没有血管抑制的图像（"亮图像"）。

近日，发表在European Radiology杂志的一项研究开发了一项使用CNN和VISIBLE检测脑转移瘤的自动模型，并将其诊断性能与之前的观察者测试进行了比较，为脑转移瘤快速准确的定量、定性及定位提供了技术支持。

本项回顾性研究纳入了2016年3月至2019年7月采用VISIBLE成像的临床怀疑有脑转移的患者。选取有和无血管抑制的图像用于训练现有的CNN（DeepMedic）。使用灵敏度和每个病例的假阳性结果（FPs/case）评估了诊断性能。本研究将CNN模型的诊断性能与12位放射科医生的诊断性能进行了比较。 

本研究将50名在随访中被临床诊断为脑转移的患者（30名男性和20名女性；年龄范围29-86岁；平均63.3±12.8岁；共165个转移病例）用于训练。本研究提出模型的敏感性为91.7%，并高于观察者测试（平均±标准差；88.7±3.7%）。模型中的FPs/病例数为1.5，并高于观察者测试（0.17±0.09）。 

图 60岁的女性，患有肺癌和多个脑转移病变。在黑（a）和亮（b）图像中，显示右侧额叶一个转移瘤（箭头）。其大小约为2毫米。我们的CNN模型在黑（c）和亮（d）图像中准确地检测到这个病灶（箭头）

总之，与放射科医生相比，本研究由VISIBLE和CNN创建的诊断脑转移的模型显示出了更高的灵敏度。

原文出处：

Yoshitomo Kikuchi,Osamu Togao,Kazufumi Kikuchi,et al.A deep convolutional neural network-based automatic detection of brain metastases with and without blood vessel suppression.DOI:10.1007/s00330-021-08427-2