前列腺是男性泌尿生殖系统重要的器官，前列腺病变(如增生、癌变等)为临床常见的疾病且严重影响男性健康，前列腺癌发病率居全球男性恶性肿瘤第2位，仅次于肺癌。在我国前列腺癌发病率位居第六位，并呈现逐年上升趋势^[1-2]。磁共振(MRI)检查对软组织分辨能力强，是目前前列腺疾病的主要诊断方法。前列腺的解剖结构较为复杂，包括前列腺纤维基质带(anterior fibrous muscular stroma，AFMS)、中央带(central zone，CZ)、外周带(peripheral zone，PZ)、移行带(transition zone，TZ)4个分带。病变好发于这4个区域，其中癌症好发于PZ，增生好发于TZ。若能准确分割这些区域，则能快速量化这些区域的体积，能够快速辅助检测诊断前列腺增生和前列腺癌等疾病，可大大提高临床医师的诊断工作效率和准确率。但是，传统的手动分割方法耗时耗力，效率低下，经验不足的年轻医师往往存在误诊和漏诊。近年来，国内外基于深度学习用于医学图像分割的方法被广泛报道，如胡学刚等^[3]提出了一种基于全卷积DenseNet的分割方法，在公开数据集上Dice相似性系数达到93.25%。KURATA等^[4]基于卷积神经网络对122例患者的子宫进行了分割，精度(Dice)达到了82%；LEE等^[5]报道了MRI智能分割脑部区域的方法，精度(DSC)达到93%。AFZALI等^[6]利用深度学习技术实现了肺部病灶区域的智能精确分割，其左右肺部平均DSC值分别达到97.1%和96.1%。然而，目前人工智能辅助前列腺的分割研究较少。

基于此，本研究利用人工智能深度学习技术提出了以Unet为框架，Vgg16网络作为主干的Vgg16-Unet模型，对前列腺4个分带进行智能分割研究，并可以快速计算四分带体积等参数，有助于辅助检测诊断前列腺疾病。

1 资料与方法 1.1 临床资料

收集山西省肿瘤医院放射科2018年1月至2020年10月的50例前列腺癌患者MRI图像。纳入标准：①因前列腺特异性抗原(PSA)增加或直肠指检怀疑PCA而进行MRI扫描；②规范的T2WI序列。排除标准：①内分泌治疗史；②图像质量较差，结构不清晰；③接受前列腺癌根治术或经尿道电切术^[7]。最终33例前列腺癌患者MRI影像被纳入研究。此外，还选取了荷兰奈梅亨拉德堡德大学医学中心前列腺MRI公开数据集的346例患者T2WI图像^[8]。最终379例前列腺患者被纳入研究。根据临床研究分类法则的随机分配原则^[9]，保证训练集所有样本不出现在验证集与测试集的前提下，所有患者按7 ∶1 ∶2比例随机划分为训练集(n=265)、验证集(n=38)、测试集(n=76)，此研究获山西省肿瘤医院伦理委员会批准(批件号：2021051)。

1.2 数据集构建

山西省肿瘤医院患者(n=33)采集轴位T2WI，层厚4.5 mm，公开数据集患者(n=346)T2WI，层厚3.6 mm。设备型号为：GE Signa TwinSpeed (Excite) 1.5 T磁共振，共得到7 766张Dicom图像，其中5 444张训练图像；744张验证图像；1 578张测试图像，其中训练集手工分割图像由2名放射医师勾画核定，其中1名采用Amria软件人工手动逐层标注前列腺前纤维基质带、中央带、外周带、移形带，另外1名对勾勒的手工分割图像进行修改核对。

1.3 方法

1.3.1 实验设备

本实验采用的硬件工具为：CPU：AMD A8-5550M APU with Radeon(tm) HD Graphics；GPU：NVIDIA TITAN X(Pascal) 12G。软件工具为：Windows系统；ITK-Snap；MicroDicomViewer；python3.7.1；pytorch+cuda：1.8.0+cu111。

1.3.2 数据预处理

前列腺MRI影像中前列腺所占区域面积较小且与其相邻结构相比，其对比度较低，这对于精准分割前列腺区域带来了困难。本研究采用的预处理过程如图 1所示，首先对前列腺MRI图像进行格式转换，通过使用Python(3.7.1)中第三方库pydicom，simpleITK将医学Dicom格式^[10]数据转化为JPG图像格式；接着将Dicom中像素归一化到0~1之间，调整Dicom图像的窗宽窗位，将其图像的灰度值转为CT值(单位Hu)，本研究中采用的窗位，窗宽分别为336、1 077，最后对开窗过后的图像利用中值滤波器对其进行去噪处理。

将前列腺AFMS、CZ、PZ、TZ所对应的手工分割合并至一张图像上，经过预处理后的Dicom图像分别与手工分割图像互相对应，随机抽取1张前列腺MRI影像以及其手工分割图像，见图 2。

1.3.3 实验过程

本研究提出了Vgg16-Unet模型，在编码器部分使用了Vgg16网络^[11]作为主干，采用3个3×3的卷积核，经过了ReLU(非线性激活函数)层以及BN(正则化层)层，既保证了感受野的相同，增加了模型的非线性表达能力，又可以防止训练过程中出现梯度爆炸以及过拟合现象。训练过程中使用Vgg16网络在ImageNet^[12]数据集上将训练好的预训练权重进行迁移学习^[13]，解码器部分还原Unet网络^[14]右半部分(图 3)。

1.3.3.1 训练过程

训练过程分为2个阶段：冻结阶段；解冻阶段。在冻结阶段，模型的主干被冻结，特征提取网络不变化，此时占用的显存较小仅对网络进行微调。在解冻阶段，模型的主干不被冻结，特征提取网络会发生改变，占用的显存较大，网络所有的参数都会发生改变。通过设计两阶段的训练模式，不仅加速了网络的收敛，同时也提升了模型收敛的效果，模型的具体参数见表 1。

1.3.3.2 Vgg16-Unet模型架构

Vgg16-Unet网络由编码器和解码器两部分组成，编码器模块采用Vgg16网络部分，由5层卷积层与4层最大池化层组成(图 4)。输入图像经过编码器编码后会得到4个由浅层到深层的不同尺度的特征信息，然后通过Unet中的“跳跃”连接与解码器模块中相同尺度的特征图像在通道方向上进行“融合”，弥补了图像在下采样过程中丢失的边缘信息。解码器部分主要由上采样模块和卷积层构成，其中上采样模块采用的是双线性插值^[15](bilinear interpolation)方法，且上采样的次数与编码器中池化层数目相对同。输入图像经过编码器部分的特征提取过后，传入解码器中再通过多次上采样的过程，最终得到与输入图像等同大小的分割预测图像。

1.3.3.3 训练细节和参数设置

模型训练部分：初始学习率为0.01，学习率下降策略采用余弦退火方式(cosine annealing)；优化器方面，选取带有动量的SGD优化器，动量(momentum)为0.9，权重衰减(weight decay)为1×10^-4，训练过程中冻结阶段和解冻阶段的Batchsize分别为10、8，训练轮次为100轮，前50轮为冻结阶段，后50轮为解冻阶段，选择损失最小的模型保存其权重。

1.3.4 损失函数

本实验采用以1 ∶3加权比例混合Dice损失函数、Cross Entropy交叉熵损失函数作为损失函数。

Cross Entropy交叉熵损失函数经常用于分类问题中，而且由于交叉熵涉及到计算每个类别的概率，本实验归根到底可以理解为4分类问题，因此搭配Softmax函数进行损失计算。Cross Entropy交叉熵损失函数公式如下。

其中CEloss：损失值；n：Batchsize；x：预测向量维度；y：经过独热编码后的真实值对应x维度上的标签，1或0；a：独热编码格式输出的预测标签，1或0(经过softmax函数)。

Dice系数是一种相似度度量函数，通常用来评判两个样本之间的相似度，值域为[0, 1]，Dice系数越接近于1，表明分割精度越高，公式如下。

其中，|X∩Y|表示两个集合的交集，|X+Y|表示两个集合的并集。对于本实验任务而言，X，Y分别表示手工分割与网络预测图像。Dice损失函数的计算公式如下。

为了防止出现零除以及过拟合现象，在Diceloss的基础上添加了smooth指标，本实验中smooth=1×10^-5，因此Dice损失函数计算公式如下。

1.3.5 评价指标

本研究主要以医学图像分割常用的评价指标^[16]对不同网络的预测结果与手工分割之间进行对比评价，公式如下。

① Dice系数：

② Sensitivity灵敏度：

③ PPV阳性预测率：

④ HD豪斯多夫距离：

其中TP、TN、FP、FN分别指真实正样本、真实负样本、假正样本、假负样本的数量。为了消除非常小的离群值子集的影响，本实验中使用的是HD95，即公式(7)的结果HD的值乘以95%。

2 结果 2.1 各模型在测试集上的分割结果

本研究构建的Vgg16-Unet模型，在测试集上进行推理，对比Unet、Unet++、ResUnet++ 3种经典Unet与其衍生模型，结果如表 2、3所示，模型对AFMS、CZ、PZ、TZ 4个区域实现了较为准确的分割，其平均DSC值、95%HD距离分别为：56.95%、47.28%、82.75%、89.28%和20.84、20.02、15.39、11.20 mm。图 5所示为测试集上Vgg16-Unet模型预测和医师手工标注的前列腺4个分带的体积的Bland-Altman一致性分析，二者一致性较好，大部分差值均位于95%CI内。

2.2 各模型训练过程收敛情况

经过比对不同模型在相同超参数下训练过程的收敛情况，Vgg16-Unet模型在整个训练过程中保持了相对稳定的状态，收敛速度远远快于Unet、Unet++、Res-Unet++3个模型，其在约20个epoch处模型就已经完成拟合，大大缩短了训练周期，从而提高了前列腺分区的分割效率(图 6)。

2.3 智能分割与手工分割对比

为了更加直观地比较Vgg16-Unet模型与其他模型分割效果，在测试集中以前列腺基底部、中央部、尖部为3个平面，选取3张MRI影像的分割结果进行可视化对比展示(图 7)。在前列腺尖部的分割中Vgg16-Unet模型，能更精准地捕获小结构的边缘信息。总体看来，模型对整个测试集的推理结果与手工分割图像保持了较高的一致性。

3 讨论 3.1 智能分割结果分析

近年来，人工智能深度学习在医学图像处理领域应用广泛，主要体现人工智能辅助医学图像分割、疾病智能诊断、疾病预后评估等方面^[17]。本研究基于深度学习方法，构建Vgg16-Unet模型，对前列腺MRI图像进行了更为精细的分割研究，深化其临床应用。本研究结果表明：前列腺4个分带的智能分割结果能够快速计算前列腺分区体积，基本满足了临床应用，有助于临床医师快速检测诊断前列腺癌和前列腺增生等疾病，能够节省医疗资源，减轻医师工作量，提高诊断效率。

从网络的分割效果来看，Unet模型虽然分割精度较稳定，但其分割结果的假阳性较高，细小特征的提取效果不好；ResUet++和Unet++模型加深了网络的层数，同时分别采用了残差结构、密集连接，填补了Unet“跳跃”连接中空白的部分，但是随着网络层数的加深，不仅增加了计算参数量，而且在训练过程中出现了过拟合现象，反而导致其分割结果较差。相比于经典的Unet模型，Vgg16-Unet模型引入了Vgg16的特征提取模块，多次采用3×3的卷积核，在保证相同感受野的同时，提升了模型在下采样过程中的多尺度特征提取能力，还充分利用了Imagenet数据集上训练好的预训练权重进行迁移学习，大大加快了模型的收敛速度，显著提升了模型的分割效率。模型在PZ、TZ区域分割的效果较好，其DSC值分别达到了82.75%、90.63%，95%Hausdorff距离分别控制在15.39、11.20 mm，而对AFMS、CZ的分割效果则不理想，其DSC值分别为56.95%、47.28%，95%Hausdorff距离达到了20.84、20.02 mm，估计为数据层厚较大，分区体积较小所导致，正如REN等^[18-19]报道分割目标体积小，分割的难度越大，精度越低。本实验结果与刘想等^[20]的智能分割结果基本一致。

3.2 创新与不足之处

目前关于前列腺智能分割大部分研究都是针对易分割区域展开的，如KHAN等 ^[21]的研究中将前列腺CZ、TZ部分合并为CG(中央腺体)，对前列腺两个大结构区域分割，PZ和CG的最高DSC值分别达到了78.9%、92.8%；ZAVALA-ROMERO等^[22]在组合模型和单模型之间进行消融实验，最终在前列腺PZ上分割的DSC值最高达到了81.1%；BARDIS等^[23]在前列腺PZ、TZ区域上实现了智能分割，其精度(DSC值)达到77.4%、91.0%；同样，CUOCOLO等^[24]在PZ和TZ上的分割精度(DSC值)分别为71.8%和87.5%，而LI等^[25]只对前列腺整个区域进行分割研究，在测试集上分割准确率(DSC值)达到了91.03%。然而，这些智能分割研究主要针对整个前列腺、外周带或移形带，但并未对中央带和膀胱下基质进行分割。本研究对前列腺进行了更细致的分割，包括AFMS、CZ、PZ、TZ 4个区域，更能够获取前列腺包括各个分区详细的解剖和病理信息，精细化的分割对前列腺疾病，包括前列腺癌和良性前列腺增生等诊断更有意义。

然而，本研究仍存在不足之处：①基于患者的DICOM图像较少，层厚较厚，以及GPU算力受限，实验未使用3D深度学习模型，忽略了图像的空间信息，分割精度仍有待提高；②单中心数据量较少，样本量仍需扩大。今后我们将从2D/3D维度，选取大样本、多中心数据，加强前列腺分区的智能分割研究。

本研究构建的Vgg16-Unet模型实现了对前列腺4个分区的精准分割，可以快速计算分区体积，有助于临床医师快速检测诊断前列腺癌、前列腺增生等疾病，提高诊断效率，节省医疗资源，减轻医师工作量。