众所周知，脑转移（BM）通常预示较差的预后，有症状的患者通常被排除在癌症管理的I期临床试验之外。考虑到BM的数量、大小和位置，治疗方案也有很大的不同。在对癌症患者进行术前筛查和治疗反应评估时，MRI为检测BM的首选方法。然而，由于BM的发病率越来越高，以及放射科医生与患者的比例不平衡，使得放射科医生识别所有的BM有些吃力。在立体定向放疗过程中，手动分割目标BM也很耗时，而且对放射治疗师来说往往是不可重复的。

现在，机器学习（ML）已经发展到可以自动检测医学图像中的异常情况的程度。虽然BM的准确识别和分割对与合理干预和预后预测相关的临床决策至关重要，但开发一个计算机辅助模型来帮助神经放射专家和放射治疗师进行病变检测和分割已获得越来越多的关注。然而，在最近使用深度学习算法的研究中，BM的检测灵敏度（从73%到97%）和骰子相似性系数（DSC，从0.55到0.85）尚未显示出一致性。现阶段，临床上大量的工作是针对相对较大的BM进行的，但计算机辅助诊断（CAD）系统的真正挑战是小的BM检测。在Cho的研究中，用所提出的模型检测BM，对于BMs≥5 mm来说可产生75.1-94.7%的灵敏度，但对于BMs<5 mm来说灵敏度下降到27.2-54.6%。此外，模型的独立验证在临床工作中仍是一个新的特点。

门控高分辨率卷积神经网络(GHR-CNN)通过门控机制将高层次的抽象信息和低层次的特征融合在一起，特征植入的上采样过程保证了与原始图像相同的分辨率，在很大程度上减少了细节的损失，可以有效提高网络的特征提取和BM检测能力。

近日，发表在European Radiology杂志上的一篇研究构建了一项GHR-CNN并评估了其在增强三维T1加权（CE-3D-T1W）图像上进行BM检测和分割的性能，使用其他医院的数据检验了GHR-CNN的通用性，并分析了该模型在协助放射科医生检测BM方面的表现以评估其临床应用的潜力。

本项回顾性研究包括2012年1月至2022年4月期间1392名共14542个BMs的患者和200名无BMs的患者的颅脑MRI扫描。采用了包括1000例11686个BMs的主要数据集来构建模型，使用其他医院100例1069个BMs的独立数据集则被用来检验其普适性。通过比较该模型在BM检测和分割方面的表现与放射科医生的表现，以及比较放射科医生在有无模型帮助下的病变检测表现，并评估了该模型的临床应用潜力。 

在测试集中，研究模型产生了0.88的召回率、0.90的骰子相似系数（DSC）、0.93的阳性预测值（PPV）和每个病人1.01的假阳性（FP），而在其他医院的数据集中，召回率为0.85、DSC为0.89、PPV为0.93和FP为1.07。在该模型的帮助下，4位放射科医生的BM检测率明显提高，从5.2％到15.1％不等（所有P<0.001），对直径≤5毫米的小BM的检测率也有提高（从7.2％到27.0％不等，所有P<0.001）。 

图 一个被放射科医生遗漏但被模型发现的转移瘤示例。增强3D-T1W梯度回波序列的轴位图像显示，左侧扣带回有一个微弱的点状细微不均匀增强的病变（a，绿框），放射科医生没有发现，但被模型发现（c，白色箭头）。6个月后的随访图像显示病变增大（b，白色箭头）

本项研究表明，研究所提出的模型能够以更高的灵敏度和更少的时间消耗进行准确的BM检测和分割，并显示出增强放射科医生检测BM的潜力。

原文出处：

Jiao Qu,Wenjing Zhang,Xin Shu,et al.Construction and evaluation of a gated high-resolution neural network for automatic brain metastasis detection and segmentation.DOI:10.1007/s00330-023-09648-3

Tags： European Radiology:一种用于脑转移自动检测和分割的机器学习构建和评估