文摘
为了理解应用MRI和CT图像的问题在早期宫颈癌手术,这种方法的应用核磁共振成像和CT图像在早期宫颈癌手术了。宫颈癌的临床实践中,应用现代影像学检查和临床分期分类进行了调查和分析。与手术病理结果相比,普通现代成像的应用价值在宫颈癌的临床分期评估。发现MRI和CT诊断的敏感性淋巴结转移是56%和58%,特异性为93%和92%,分别。实验证明了应用价值的MRI和CT宫颈癌的临床分期。
1。介绍
自1940年代以来,宫颈细胞学的普及,人乳头状瘤病毒检测和其他宫颈癌筛查方法,宫颈癌患者被诊断和治疗在早期甚至癌前阶段,从而阻断宫颈癌的发生和发展。在诊所宫颈癌疫苗的成功应用后,世界卫生组织提出了全球消除宫颈癌的雄心勃勃的目标。然而,尽管大幅下滑宫颈癌的发病率和死亡率在发达国家,子宫颈癌仍然是主要的恶性肿瘤之一威胁女性健康的全球排名第四在女性恶性肿瘤的发病率和死亡率,其中大多数发生在发展中国家。在中国,根据肿瘤国家癌症中心的监测数据,宫颈癌居第一位女性生殖系统恶性肿瘤之一。宫颈癌的预防和治疗不仅是一个简单的医疗问题也受到社会、经济、文化、和其他复杂的因素除了医学因素。研究宫颈癌的预防和治疗在中国和其他发展中国家不仅需要减少失衡在宫颈癌的预防和治疗,也是唯一的方法来达到消除世界上宫颈癌。
2。文献综述
Tuchina等人认为,由于肿瘤恶化是一个持续的过程,例宫颈癌患者表现为异构组不同临床病理特征和预后生存时寻求治疗(1]。东等人认为,临床医生首先判断患者的肿瘤分期,然后进行医患沟通、预后判断和治疗方案的选择根据他们的阶段(2]。因此,Xiaodan等人认为,临床分期准确评估患者预后的一个重要影响因素,选择适当的治疗模式,实现个性化的手术(3]。低或高术前分期可能导致不足或过度治疗宫颈癌。沃罗宁等人认为,高分段导致一些病人失去了手术的机会,接受直接放射治疗相反,因此失去了手术治疗的优势在保留卵巢和阴道功能,减少长期并发症。有些病人失去保守手术的机会得到一个较小的范围和接收不必要的广泛子宫切除,导致增加围手术期并发症和降低生活质量(4]。等等人认为,低分期不足可能导致治疗和术后放疗和化疗通常是需要的,导致显著增加总并发症,严重影响生活质量。或损伤被发现的范围超出了预期在操作期间,导致增加了操作的难度,甚至不得不放弃操作(5]。此外,Masselli等人认为,临床分期分类应按照统一的标准判断患者的肿瘤分期,这可能会使世界不同医疗机构的数据可比性,以便进行数据汇总和分析疗效评价和临床试验的实现。它可能使癌症研究结果应用到全球最终[6]。理解等人认为宫颈癌是最早的恶性肿瘤临床分期。它的历史可以追溯到1928年7]。莱因霍尔德等人认为,临床分期分类出生在放射治疗中作为主要治疗宫颈癌(8]。当时,马尔琴科等人认为,为了比较宫颈癌的治疗效果在不同机构,不同的医生,和不同的放射治疗方法,标准建立了宫颈癌放射治疗方案,这改变了放疗的混乱局面。放疗后委员会国际卫生联盟的三位教授委托开发宫颈癌的临床分期(9]。提出了分段后,Silvestro等人认为,这是获得全球认可,因为它简单,实用性,其在一定程度上反映预后的能力。它是通过国际妇产科联合会(FIGO)在1954年和用于今天10]。虽然在多次修改,但其周期化原理和框架保持不变。使用临床分期与其他恶性肿瘤相比,如肺癌,很长一段时间,菲戈宫颈癌的临床分期主要依赖于盆腔检查和一些简单的成像方法,如IVP和胸部x射线,而现代CT和MRI等影像学检查排除在外,如图1。
3所示。方法
完整的卷积神经网络广泛应用于图像分割。目前,全卷积神经网络用于器官在医学图像分割。完整的卷积神经网络的基础上,许多改进网络结构。的研究,基本介绍了卷积神经网络的结构和训练方法,并介绍了三维卷积神经网络联接网络,然后,联接网络的缺陷器官细分领域的指出。完整的卷积神经网络用于解决图像语义分类的问题[11]。由于没有完整的连接层,完整的卷积神经网络不需要修复功能图的特征向量长度相同,所以它可以接收任何大小的输入图像。完整的卷积神经网络是一个端到端的网络结构,和同样大小的分割结果可以直接获得从输入图像数据。从本质上讲,full-convolutional神经网络分类图像的每个像素(12,13]。卷积的卷积神经网络主要由层、汇聚层,upsampling层。卷积的功能层提取局部图像数据的特性。汇聚层的功能是增强接受域和狭窄的数据维度。upsampling层的功能是恢复特性映射到输入图像大小相同(14]。整个过程如下。输入图像。然后,通过卷积特性提取层和池层压缩特征维度。然后,地图的尺寸特性是通过上抽样层恢复。最后,Softmax特性图计算得到每个像素的分类概率。根据概率,每个像素分类,得到最终的分割结果。根据输入图像的维数,full-convolutional神经网络可以分为二维full-convolutional神经网络和三维full-convolutional神经网络。常见的二维卷积神经网络包括FCN, Unet, DeepLab。完整三维卷积神经网络包括3 d Unet、联接和DenseVnet。 Full convolutional neural network is generally composed of the following parts including convolution, pooling, activation function, upsampling, and Softmax. Schematic diagram of the simple structure of full convolutional neural network is shown in Figure2。
将采样,池,即是用来降低数据维度。池通常减少图像数据的维数的2倍。由于统计特性的功能,该功能图池操作后仍然可以描述图像。池操作降低数据维度,可以有效地避免过度拟合。有三个主要类型的池:最大池,池、和卷积池。在最大池,选择该地区的最大值作为输出。在池,该地区的平均值计算作为输出。在卷积池、卷积计算,跨越设置为2实现池的影响(15]。后输入卷积计算,另一个函数将被应用,这个函数是激活函数。引入非线性激活函数的函数关系,以便神经网络可以近似非线性函数。
常见的激活函数如下。
乙状结肠函数如下公式所示:
双曲正切函数如下所示(双曲正切)公式:
ReLU函数如下公式所示:
PReLU函数如下公式所示:
乙状结肠函数是容易导致梯度消失的问题。与乙状结肠相比,双曲正切是有所改善,但仍有梯度的问题消失。与此同时,这两个函数更复杂,需要大量的计算。ReLU功能大大提高了在这两个方面。ReLU不仅没有出现梯度消失,而且很容易计算。与此同时,ReLU函数也可以在神经网络中引入稀疏。PReLU函数比ReLU不饱和和收敛速度。输入图像的卷积和池后,功能图的大小小于原始图像。图像分割网络需要恢复特性映射到相同的大小输入图像进行进一步的计算。因此,功能图的大小需要扩大改善地图的分辨率特性,叫做upsampling [16]。upsampling的常见方法有三种:双线性插值,转置卷积,antipooling。目前,主要使用转置卷积。转置卷积是由第一放大输入的大小通过添加0,然后旋转卷积核,最后卷积输入。操作如图3。
Softmax用于处理multiclassification问题。最终的输出Softmax神经网络需要处理的函数。Softmax函数的定义如下公式所示:
完整的卷积神经网络是一个监督学习算法,和卷积核的参数在网络需要通过有指导的训练获得的。在卷积神经网络监督培训,三个部分主要包括带安全标签的数据时,损失函数、梯度下降算法。
损失函数是用来测量不同模型的预测价值和实际价值。这是一个非负实值函数。损失函数越小,模型的鲁棒性越好。对于图像分割,有两种常用的损失函数。
交叉熵损失函数:它描述了两个概率分布之间的差异。差异越小,越接近的概率分布。的两个概率分布和 , 用于表示的交叉熵 ,如以下公式所示:
骰子损失函数:它描述了预测之间的重叠程度,地区和真正的区域图像分割的结果,如以下公式所示:
梯度下降算法是一种迭代法。梯度下降法是最常用的方法之一,为解决模型参数的机器学习算法,即无约束优化问题。目标的最小值损失函数迭代一步一步解决了梯度下降法,和最小损失函数和模型参数值。常用的梯度下降算法如下。
SGD的全称是随机梯度下降法。一批样品是随机选择的。每个输入样本的输出通过使用现有的参数,然后,所有的错误都与实际的输出。平均后,平均误差。在此基础上,参数更新如下公式所示:
SGD的一个问题是,每次迭代的梯度计算是吵了。使用动量的想法供参考,前面几个梯度添加到这个梯度的计算,可有效缓解噪声问题,加速学习。累计梯度衰变每一转,如以下公式所示:
在准备训练数据的情况下,损失函数和梯度下降算法确定。然后,完整的卷积神经网络可以被训练神经网络的参数值。然而,模型训练基于训练数据集通常有泛化能力差,主要可以分为两个原因,即underfitting和过度拟合。Underfitting是由贫穷引起的数据模型的拟合程度,这可以通过增加解决神经网络的深度或改善网络结构。期间因为过度拟合模型的训练,如果有更少的训练数据,也就是说,整个训练数据无法估计的分布数据或训练的迭代的数量太多,训练数据中的噪声和训练样本的代表性特点是安装,导致穷人模型的泛化能力。整体网络结构是编码器译码器结构。左边的部分是编码过程,这是由卷积和池层,共有4层和卷积池层。右边部分是解码的过程,共有4层和卷积upsampling层。卷积底部中间的网络层,位于之间的编码和解码过程。在卷积编码和解码部分,一部分层图像大小相同的特性是通过级联层连接。 Each convolution layer contains 1 to 2 convolution units, among which the first left convolution layer and the first right convolution layer contain 1 convolution unit, and the remaining convolution layers contain 2 convolution units. In the convolution layer, residual learning structure is adopted to add the input of the convolution layer and the final output of the convolution layer. And then, subsequent calculation is carried out, so as to alleviate the problem of gradient disappearance. The pooling layer of Vnet-S network is the convolution pooling. There are two 卷积核卷积后面正确的1层,负责压缩通道的数量。结束的时候网络是Softmax,生成类别图像的每个像素的概率。特定的网络参数如表所示1。
网络编码计算的总体流程如下。首先,在编码过程中,特征提取连续卷积层,功能尺寸减少池层和接受字段增加。当到达中间层,特征尺寸达到最小和功能通道的数量达到256。在解码过程中,卷积层提取并结合特性,upsampling层恢复特性图像的大小,和级联层补偿细粒度图像特征和目标位置信息。右边1的大小特征的地图卷积层是恢复到输入图像大小相同。然后,两个 卷积核相结合的渠道压缩获得两个特征图像与原始图像大小相同。然后,Softmax函数用于获取原始图像中的每个立体像素的概率属于前景和背景。如果前景概率大于背景概率,预测前景目标和标记为1。如果前景概率小于背景概率,预测是背景和0。损失函数选择通过训练Vnet-S网络是骰子损失函数。
4所示。实验和分析
二十LACC患者承认南方医科大学南方医院从2020年9月到2021年5月被选作回顾性分析。的原始数据集收集术前动脉化疗期间CTA与DSA图像。患者29-52岁,平均年龄 年。所有患者评估由两个首席妇科肿瘤学家根据2009年国际妇产科联合会(FIGO)分期,肿瘤的大小超过4厘米。所有患者被排除在基本的心血管疾病,甲状腺机能亢进,怀孕,等,和没有药物或海鲜过敏史。通知后动脉化疗的疗效和风险和其他替代治疗方案,他们自愿接受术前动脉化疗,接受术前CTA检查,并签署相关的知情同意,如表所示2。
双源CT (SOMATOM定义)由西门子Uvixian(广州370 mgI /毫升,先灵葆雅制药有限公司,有限公司)和双注射器。扫描条件管电压120 kV,管电流320毫安,扫描层厚度5毫米,层间距5毫米,禁食4 h - 6 h在考试之前,没有其他特殊治疗。在扫描期间,病人在仰卧位中间的床上,手里拿着他的头,双腿伸直,在一起。他身体的矢平面垂直于床上。扫描范围是第三腰椎下缘的耻骨联合下缘的(17]。常规普通扫描后进行(普通扫描周期),对比剂80毫升是通过病人的右前臂的中位数静脉注射流率的4.0 m1 / s(管)用两个简单的高压注射器,紧随其后的是20毫升生理盐水注射4.0毫升/秒(B管)和丸跟踪。感兴趣的区域(ROI)在2.0厘米以上腹主动脉分叉被选为动态CT值监测,和CT扫描时自动触发ROI价值达到100胡锦涛(动脉相)。最后,每个时期的图像变薄的厚度1.0毫米盘雕刻和保存。首先,原始数据集在普通扫描时期是导入到模拟软件。自动定位图像后,组织图像,重建和插值处理,最低阈值设定在100年。区域增长后,完整的骨盆直接数字3 d模型重建。最后,建立盆腔数字3 d模型导出并保存为STL格式的二进制STL命令导出工具,准备后续的注册和重建血管网络模型(18]。动脉相的原始数据集是导入到模拟软件,胡和重建的最低阈值被设置为90 ~ 100年胡锦涛根据显示动脉血液网络自动定位图像后,组织形象,和插值处理。然后,每一层的骨组织是自动生成的,和动脉血液网络的轮廓增强(最初的面具)地区的增长。骨盆的STL格式文件导入到动脉的重建文件阶段,和三维模型数据被倒进2 d面具数据通过计算从主题面具。分离后的骨盆连接骨盆动脉网络层的层的一部分,骨盆面具是由使用擦除工具在编辑面具。布尔操作被用来减去骨盆面具从最初的面具。宫颈癌的新数字3 d模型动脉血液生成网络进一步利用该地区经济增长的工具,导出,保存在JPEG格式。数字三维模型的基础上,子宫动脉的血液宫颈癌体内网络3 dview,旋转,和重新调节规模和在任何大小和角度旋转模型,以观察每个动脉的分支和方向。子宫动脉血液供应的来源和数量被确定。使用函数把它的多翼飞机和曲线的模拟软件,子宫动脉血液网络模型被划分为子宫或颈动脉血液网络,向左或向右子宫动脉血液网络,向左或向右颈动脉血液网络。 For each part, the blood volume could be calculated by using 3D properties—volume and the blood supply ratio could be further calculated. For cervical cancer patients with original clinical IB1~IIA2 stage included in the research, lymph node metastasis was first determined according to MRI or CT examination reports. For patients with positive pelvic lymph nodes, IICr stage was defined according to the new FIGO cervical cancer staging standard. Since para-aortic lymph node dissection was performed in only a few cases, IIC stage in the research referred to the cases with positive pelvic lymph nodes. Then, according to the surgical pathological report, lymph node metastasis was determined, which was defined as IHICp stage in the same way. And then, IICr and IIICp were compared. The measurement data were expressed as ( ),和计数数据被表示为(%)。根据数据类型,是由独立的样本组间比较测试和群际率进行了比较测试或费舍尔的确切概率法。淋巴结转移时证实,它被定义为真阳性如果核磁共振成像和病理报告显示至少一个的存在淋巴结转移(19,20.]。如果只有MRI显示淋巴结转移,它被定义为假阳性。如果核磁共振成像和病理显示淋巴结转移,它被定义为真阴性。如果只有病理显示淋巴结转移,它被定义为假阴性。敏感性,特异性,阳性预测值,阴性预测值的成像检查在诊断淋巴结转移计算使用手术病理结果为金标准。采用SPSS 21.0软件进行统计分析。总共有46313例宫颈癌筛查从大型数据库的临床诊断和治疗宫颈癌在中国,并为最终分析6662例选择。筛选过程如图4。
宫颈细胞学筛查的逐渐普及,HPV检测,宫颈癌疫苗,都有巨大的变化在宫颈癌的流行病学。首先,有明显的国家和地区差异(21]。在发达国家,子宫颈癌在整体出现下滑趋势。但在发展中国家,由于医疗卫生条件的不均衡,宫颈癌没有被有效控制。甚至由于生活方式的改变等因素,新病例继续上升。宫颈癌仍然是一个严重威胁女性健康的妇科恶性肿瘤。其次,宫颈癌筛查的广泛应用使得更多的妇女在早期得到诊断,诊断早期宫颈癌的比例增加。第三,宫颈癌的发病率显示了年轻的一个明显的趋势。和病人往往有保护卵巢功能或生育的欲望。最后,研究宫颈癌的分期方法表明,许多国家在世界范围内,特别是发达国家,现代的临床分期MRI等影像学检查不严格排除但受到这些考试的影响(22]。现代MRI等影像检查的排斥临床分期是事实上不能普及,导致临床分期的可比性下降全球不同国家和地区之间。从的角度变化的治疗模式,与早期宫颈癌病例的增加,宫颈癌患者接受手术治疗的比例在上升是由于手术治疗保留卵巢功能的优势,组织弹性,和生殖功能(23]。如今,宫颈癌的治疗模式已经变成了一个全面的预防和治疗模式。主要多元化手术治疗早期癌症放疗结合免疫治疗和基因治疗中、晚期癌症。肿瘤分期不是静态的,但是它应该定期更新临床实践的改变,以适应当前的临床实践。因此,流行病学和宫颈癌的治疗模式的变化,宫颈癌的临床分期应相应改变。在很长一段时间里,大量的研究认为,淋巴结转移是影响患者预后的一个不利因素早期宫颈癌。患者的5年生存率阴性淋巴结转移可以达到91%,而阳性淋巴结转移患者的5年生存率降低到67%。淋巴结转移也是一个行列式的术后补充放疗。因此,在宫颈癌的新阶段分类,包括淋巴结转移的阶段,定义为IIC阶段。与此同时,现代的MRI和CT等影像学检查可以被包括在临床阶段,使评估的存在通过成像检查治疗前淋巴结转移。 Since positive lymph nodes are one of the clear indications of postoperative supplementary radiotherapy, it is of great clinical significance to determine whether there is lymph node metastasis and whether it is IIC before treatment. On the one hand, if there is no actual lymph node metastasis and the imaging is determined to be stage IIC, the patient may be advised to direct radiation therapy, thus losing the opportunity for surgical treatment. For the women of childbearing age, radiotherapy may result in loss of ovarian function. And for the women who need to have children, radiotherapy may also result in loss of fertility. On the other hand, if positive lymph nodes are not found before surgical treatment, patients will need to receive supplementary radiotherapy after surgery, resulting in higher total complications of cervical cancer patients than direct radiotherapy and decreased quality of life [24,25]。
因此,如果成像方法可以用来准确地诊断淋巴结转移和提高IICr的准确性,它肯定会有助于改善病人的治疗预后。目前,核磁共振和CT在诊断淋巴结转移的准确性并不理想。荟萃分析显示,MRI和CT敏感性为56%和58%,特异性为93%和92%,分别在诊断淋巴结转移。Bourgioti等人报道,MRI诊断的敏感性为50.00%,特异性98.99%积极的盆腔淋巴结。的研究、MRI和CT诊断的敏感性淋巴结转移仅为26.56%和12.21%,分别。大多数患者淋巴结转移确认手术后不能被CT或MRI术前准确诊断。CT和MRI的诊断疗效诊断淋巴结并不理想。的原因进行了分析,这可能与多中心回顾性研究,长时间跨度,缺乏先进的成像设备。因此,在宫颈癌的临床实践在中国,MRI和CT检查是诊断淋巴结转移,和IIC阶段的诊断效能很低26]。盆腔淋巴解剖仍应考虑宫颈癌患者的MRI或CT检查并不意味着积极的淋巴结(27,28]。目前,常用的成像技术检测淋巴结状态在临床实践中包括b超、CT、MRI、磁共振。其中,CT和MRI是最常用的影像学检查检测宫颈癌淋巴结状态的由于他们的高人气。MRI和CT主要用来判断良性和恶性淋巴结通过观察淋巴结的大小,和积极的标准通常是短的 厘米。然而,转移性淋巴结的身材并不少见。和淋巴结肿大也可以良性病变,如炎症肿大和反应性增生。形态标准无法区分肿大淋巴结是否转移性淋巴结和无法区分炎性病变和肿瘤转移。和正常的转移性淋巴结大小也不能被发现。
5。结论
菲戈宫颈癌的临床分期的应用在中国的详细描述,包括标准化和准确性。临床分期的比例不符合FIGO分期标准为22.6%,非标准分期中更为普遍 岁了。Nonexogenous病变和其他分段参数难以确定。不准确的临床分期的比例是34.2%,高级阶段的发生率显著高于低阶段。的不一致判断肿瘤最大直径和阴道参与的主要因素是导致不准确的分期分类。MRI和CT等影像检查,在宫颈癌的临床分期有应用价值。将成像检查在宫颈癌分期有助于提高临床分期的准确性。在过去中国宫颈癌的临床实践,成像检查的诊断效率低可能与相对落后的成像检查设备和技术和妇科肿瘤学家的注意力不足成像检查。MRI软组织分辨率高的优点,可准确地显示宫颈肿瘤病灶的大小,特别适用于早期宫颈癌。CT扫描速度快的优点,清晰的图像,这是更适合的晚期宫颈癌。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。