Research Article | Open AccessVolume 2022 | Article ID 9807590 |https://doi.org/10.34133/2022/9807590
近日，美国密歇根大学Nicholas C. Wang博士在Science合作刊BMEF上发表“Simulated MRI Artifacts: Testing Machine Learning Failure Modes”的文章。
机器学习算法普遍应用于临床研究和其他领域，由于医疗系统的特殊性，我们需要利用故障模式和影响分析（Failure Modes and Effects Analysis, FMEA）来评估其系统的安全性，借此可以发现系统弱点，避免潜在的严重事故。神经胶质瘤有广泛的病理学特征、影像学表现和治疗预后情况，而头部磁共振成像（Magnetic Resonance Imaging, MRI）已经开发了一系列可行的工具包和预处理管道来评估系统安全性，因此，向神经胶质瘤的MRI图像添加伪影来评估模型的稳定性和可信度是很好的选择。在本研究中，作者团队选择了多形性胶质母细胞瘤（Glioblastoma Multiforme, GBM）和低级别神经胶质瘤（Low-Grade Gliomas, LGG）作为试验对象，模拟了七种类型的 MRI 伪影以测试机器学习脑肿瘤分割模型的潜在故障模式。
作者团队选择TCGA- LGG和TCGA-GBM数据集作为MRI研究对象，这些MRI研究由4个序列组成：增强前T1加权 （T1W）、增强后T1加权（T1Gd）、T2加权成像（T2W）和T2流体衰减反转恢复（FLAIR
）。将这些数据集拆分为训练和测试集，U-Net在组合的GBM和LGG训练数据上进行训练，以预测来自四个MRI序列的分割掩码，通过收集指标以评估模拟工件的性能影响（图1）。
图1：用于脑 MRI 研究的模拟伪影的工作流程图。模拟的七种伪影是：运动、混叠、信号丢失、场不均匀性、序列错误标记、序列错位和颅骨剥离失败。首先，作者团队模拟MRI采集伪影，包括患者运动，由磁敏感材料引起的信号损失、混叠和磁场不均匀性。运动伪影在实验中可由患者在采集期间稍微移动他们的头部产生（图2）。易感性伪影通过随机选择大脑外部的种子位置产生，位于肿瘤附近（图3）。磁场不均匀性通过从靠近大脑边缘的区域随机选择5个种子位置来模拟（图3）。机器学习中可能在算法使用及预处理过程中出现的一些伪影，这一类伪影包括序列错误标记、序列错位和颅骨剥离失败，图4显示模拟MRI预处理伪影的结果。
图2. 运动伪影（3D和2D）。图中显示了TCGA-14-3477的脑部MRI的冠状面、矢状面和轴向切面，肿瘤以紫色区域显示。图3：采集伪影：混叠、信号损失和场不均匀性伪影。左栏显示原始图像改变，右栏显示体积改变。图4：预处理伪影：混叠、信号损失和场不均匀性伪影。左栏显示原始图像改变，右栏显示体积改变。下一步对这些伪影进行评估，以查看每个伪影对模型预测能力的影响大小，主要指标是Dice分数，这是评估分割模型的最常见指标之一。使用statsmodels包执行了单向重复测量ANOVA测试，阈值设定为p<0.01。将每个患者的Dice分数与不同的伪影强度水平进行比较，消除随机误差（图5，图6）。
图5：MRI运动伪影(3D和2D重建)的Dice分数箱线图
图6：MRI预处理伪影的Dice评分箱线图
实验表明，大多数伪影的效果随着伪影的增强而增加，运动伪影随着运动系数的增加，模型性能逐渐降低。预处理伪影中，磁场不均匀性尤其是在高强度变化时的影响变大，会对模型性能产生较大的影响。与其他序列相比，FLAIR序列的改变对模型性能影响最显著。总之，实验的结果表明对已知MRI伪影的合理模拟可以用于测试肿瘤分割的机器学习模型，并达到显著的效果。未来，通过多学科的合作，这种模拟伪影的方法可以应用到其他类型的医学成像。
本文的通讯作者是Nicholas C. Wang博士，目前就职于密歇根大学，主要的研究方向是通过医学成像测量身体成分或状况的特定生物标志物，并构建数据库，将这些生物标志物用以量化患者整体身体健康、手术风险以及对治疗的复发风险等。撰稿：李天冉、张宏
审核：孙敏轩、刘萍萍、邓旻
https://doi.org/10.34133/2022/9807590
-----往期荐读-----
A Review of Imaging Methods to Assess Ultrasound-Mediated Ablation
https://doi.org/10.34133/2022/9758652
基于深度学习的虚拟HER2染色为乳腺组织IHC染色提供新思路
Label-free virtual HER2 immunohistochemical staining of breast tissue using deep learning
https://doi.org/10.34133/2022/9786242
BMEF(《生物医学工程前沿》)是中国科学院苏州生物医学工程技术研究所（SIBET CAS）与美国科学促进会（AAAS）/Science合作出版的开放获取国际学术期刊。期刊旨在为生物医学工程这一交叉学科提供一个高效的交流平台，以推动领域内的科学家、工程师和临床医学专家及时地交流，共同促进人类健康。关注在致病机理研究和疾病预防、诊断、治疗及评估方面取得的突破性进展，包括概念、设备、材料、组织、过程和方法。致力于报道临床前的基础研究、转化医学和临床研究的成果。
