基于不完整影像数据的大脑肿瘤分割

脑肿瘤复杂的异质性日益被认为需要仅有来自常规临床诊疗的完全包容、大规模收集才能合理提供的数据规模与丰富度。这是当代机器学习可助益的任务，尤其在神经影像中，但其处理真实世界临床实践中常见的不完整数据的能力仍属未知。在此，我们将最先进方法应用于大规模、多中心 MRI 数据，以量化复制临床现实中观察到的各种序列可用性水平的自动化肿瘤分割模型的比较保真度。我们比较了深度学习（nnU-Net 衍生）分割模型在 T1、对比增强 T1、T2 与 FLAIR 序列所有可能组合下的表现，以五折交叉验证在 2021 BraTS-RSNA 胶质瘤人群（1251 名患者）上训练与验证，并进一步在真实世界 50 名患者样本上测试，该样本不仅 MRI 扫描仪与场强多样，还随机选取了术前与术后影像。基于不完整影像数据训练的模型分割病灶良好，常等效于基于完整数据训练的模型，全肿瘤 Dice 系数达 0.907（单序列）至 0.945（完整数据集），组分组织类型达 0.701（单序列）至 0.891（完整数据集）。不完整数据分割模型可在无对比影像时准确检测增强肿瘤，以 0.95–0.97 的 R2 量化其体积，且对病灶形态测量不变。深度学习分割模型在缺失数据时仍能很好刻画肿瘤，甚至可在无对比剂情况下检测增强组织。这表明向不完整数据常见的临床实践转化可能比迄今所认为的更容易，并可能有助于减少对对比剂使用的依赖。