關于脊椎熱消融手術的計算機建模仿真研究進展

韋興，肖熠，劉申，應葵

1 航天中心醫院 骨科，北京市，100049

2 清華大學 工程物理系，北京市，100091

0 引言

腫瘤熱消融手術能夠有效治療脊椎相關的腫瘤病變，該方法通過高溫加熱直接消滅腫瘤組織，在控制好消融范圍的情況下，可以將對人體正常組織造成的損傷降至最低。根據加熱熱源的不同，腫瘤消融可以分為激光消融、射頻消融、超聲消融和微波消融。作為無創手術，手術過程中需要利用CT、MRI等醫學影像提供患者體內圖像信息，輔助定位加熱探針。

當前，計算機手術仿真有巨大的應用前景，能夠在術前模擬手術情況，為手術方案的設計提供參考信息。在脊椎熱消融手術仿真中，計算機主要能夠在兩個方面提供幫助。第一是三維建模，計算機可以通過圖像分割的方法，從醫學圖像中提取人體脊椎結構，并轉化為三維模型。第二是仿真計算，基于脊椎的三維模型，可以通過有限元分析的方法，模擬手術過程，計算溫度分布與消融范圍。

1 計算機智能分割與建模

醫學圖像的分割是對像素進行分類的過程，將屬于目標對象的像素全部標記，從而將目標對象從圖像中分割出來，獲得目標的形狀、邊界、位置等信息。從包含脊椎的三維醫學圖像中，我們可以通過兩種分割方法得到脊椎的幾何結構，一是直接從三維圖像分割；二是將多個二維圖像的分割結果疊加起來。

過去幾十年中，國內外對醫學圖像分割的研究十分廣泛，研究方法也不斷更新。最初是設置像素強度閾值來分割圖像，之后是多種數學方法的應用，如區域生長、邊緣檢測、聚類等[1]。最新的方法主要是基于深度學習神經網絡的，其結果一般優于傳統數學算法。相關神經網絡的結構也隨著醫學圖像分割的需求不斷優化，從最初的卷積神經網絡（CNN）[2]，發展為全卷積神經網絡（FCN）[3]，進一步改進后得到最新的U-Net神經網絡[4]，其分割效果逐漸提升。相比普通的光學圖像，醫學圖像難以大量采集數據，而U-Net神經網絡克服了訓練數據需求量大的問題，只需要適量醫學圖像數據訓練即可得到較好的分割結果，正適用于此。該網絡結構包含一個收縮路徑和一個拓展路徑，網絡結構形如“U”而得名[5]。收縮路徑能夠減少圖像信息，提取特征，而拓展路徑將特征圖進行上采樣，結合全局信息，最后將兩條路徑得到的結果進行拼接，完成整個圖像分割過程。

U-Net神經網絡因為其在醫學影像中的優勢得到廣泛應用。最初，U-Net神經網絡是用于處理2D圖像[5]，但這樣在分割3D圖像時，丟失了層與層之間的聯系特征，沒有充分利用3D圖像的信息。后來的研究中，用于處理3D圖像的U-Net網絡得到了實現[6]，該研究先嘗試建立3D U-Net網絡，用于處理已完成稀疏標注的3D圖像，再將網絡優化，使之能直接對未標注的3D圖像進行圖像分割。基于前面兩項研究提出的3D Dense U-Net[4]，在卷積層中增加了密集連接層，能夠用于更高分辨率的脊椎圖像分割，對比前兩個網絡的分割結果，分割準確率大大提升。

脊椎的分割是具有較大難度的，大部分輸入圖像是胸腔圖像，很難通過閾值化與其他骨骼區分。又因為脊椎組織和周圍組織的對比度較低，神經網絡對脊椎邊界的識別不夠準確，導致分割結果的精確度難以保證。此外，醫學上還對椎間盤的定位和分割有需求，它們可以幫助診斷相關脊椎疾病。椎間盤分割一開始以半自動分割為主，這些方法需要人工輸入作為輔助[7-8]。基于U-Net神經網絡的椎間盤分割已得到檢驗[9]，該方法先定位椎間盤的中心，基于該中心選定一個包含椎間盤的感興趣區域，在選定區域內進行分割，并將其作為訓練數據。由此訓練的網絡，其分割有效性在2D和3D數據上都得到了驗證。另一項研究將椎骨和椎間盤的U-Net網絡分割，與基于ImageJ (https://imagej.nih.gov/ij/) 的手動分割進行對比，兩者的結果非常吻合[10]。該研究還基于分割結果，定量測量了椎間盤退變情況，驗證了脊椎分割可應用于椎間盤衰老情況測量。

大部分文獻中用于脊椎分割的神經網絡，只能處理與訓練數據同類型的圖像，只針對個別椎骨，不能完成整個脊柱的分割。脊椎分割技術若是應用于臨床手術，需要適用于不同的成像序列和掃描儀，保證速度和完整性，即針對任意醫學圖像，都能快速分割整個脊柱。針對這一系列問題，RAK等[11]創新性地將特定任務的卷積神經網絡與基于編碼交換的圖割公式結合，提出一種能夠避免相鄰椎骨混淆，對多個椎骨進行分割的深度學習方法。該方法在兩個不同數據集上進行了測試，分別是T1和T2加權的全脊椎圖像，以及T2加權的胸腰椎圖像。兩個數據集的分割準確率都很高，而且分割速度快，單個椎骨只需要1 s左右，完整脊柱分割大概只需要30 s。這證明脊椎分割有臨床應用的前景。

脊椎分割的臨床應用還面臨一個困難，大部分網絡都是用正常椎骨進行訓練，如果嚴重的病理使得椎骨的外觀變化過大，如骨折、腫瘤等，網絡的分割質量將達不到臨床要求。許多文獻直面這一缺陷，認為未來通過大量數據集的訓練，尤其是增加脊椎病變患者的圖像作為訓練集，有機會解決椎骨形變問題。針對腰椎管狹窄癥的研究[12]，使用了來自大約4 000名患者的大型數據集，完成了高準確度的腰椎分割，并對椎管狹窄癥進行了自動分級。另一針對椎骨壓縮性骨折的研究[1]，采取了將形狀、結構和聯合的形狀與結構特征應用到分割和檢測步驟中，達到了很高的腰椎分割準確率，并進一步識別正常、惡性和良性的椎骨壓縮性骨折。這些研究表明，脊椎病變帶來的分割不準確問題，在未來可以通過多種方式解決。

雖然目前的脊椎分割結果大部分離臨床應用還有一定距離，但是已經有研究嘗試將智能分割應用于仿真手術。該研究嘗試開發的系統用于椎弓根螺釘內固定手術，能夠自動分割脊椎、識別椎弓根并提供螺釘路徑建議[13]。在其設定的標準下，椎弓根識別準確率達到了95%，研究者在椎弓根模型中能夠完成螺釘的定位，對臨床手術提供螺釘放置路徑的建議。該技術未來可以應用于椎弓根螺釘內固定手術的3D導航。類比該研究，脊椎分割也存在應用于脊椎腫瘤熱消融手術的潛力。

2 脊椎腫瘤熱消融手術仿真

基于脊椎的分割結果，可以完成脊椎的計算機三維建模。建模需要三維的脊椎分割結果，可以直接通過3D網絡分割獲取，也可以由二維分割圖像疊加得到。取三維分割圖像邊緣的像素點，連接得到三維模型，并優化邊緣，修改格式。完成建模后即可基于脊椎模型進行熱消融手術仿真。仿真需要導入熱源，熱源與熱消融手術類型有關。仿真熱源用來模擬現實中的消融手術加熱過程，從而模擬手術中腫瘤區域的溫度變化，實現手術仿真。計算仿真手術中各個時刻的溫度分布，即可為臨床手術提供重要的參考。

消融手術的溫度計算是仿真的一個難點，現實中的所有環境因素是不可能全部模擬的，如何盡可能地讓仿真逼近實際情況，并能對真實手術帶來幫助，是研究者們考慮的問題。

真實世界中，溫度場、電場都是隨著空間、時間連續變化的，要想模擬真實情況，并利用計算機進行數值分析，可以采取有限元分析的方法。有限元分析將連續變化的物理量轉化為時間域和空間域上離散的數值，用這些有限的離散點數值去接近現實中的連續分布。它的優勢在于自由劃分離散單元，對于腫瘤這樣的邊界不規則對象，也可以正確求解。求解時將初始數值代入合適的傳熱方程，即可計算出隨時間、空間分布的溫度場。在射頻消融仿真中，有研究使用有限元建模預測了肝組織消融，并做了體外實驗，發現數值結果與其吻合[14]。另外有射頻消融的研究表明，在均質肝組織中，使用如四齒RFA探針產生的消融范圍也是可以預測的[15]。

有限元方法仿真在內臟消融手術中應用廣泛，而且也逐漸被應用到脊椎腫瘤消融手術中。以最普遍的射頻消融為例，要想正確建模分析，需要準確設置相關參數，如前面提到的椎骨幾何形狀等空間參數，以及不同區域的電導率、熱導率和血液灌注等參數，這些直接影響組織內部的電位分布、溫度分布。有相關研究考慮了這些因素，并引入了連續靈敏度方程，推導了一套敏感性分析方法，獲得了較為精確的溫度分布結果[16-17]。除了設定相關參數以外，消融手術的仿真有時還需要加入一些假設，從而完善模型，更準確地計算溫度分布值[18]。消融手術中，不同的熱源有各自的特點，這些也需要在仿真中體現出來。如超聲消融中，骨頭的吸聲系數遠大于軟組織，會在骨頭表面產生額外的熱量，同時還要考慮聲衰減這一因素對手術消融范圍的影響[19-20]。

3 結束語

計算機智能分割在脊椎腫瘤圖像的應用上，仍需要進一步優化，將不同序列、不同掃描儀的圖像納入到訓練數據中，同時解決椎骨病變帶來的分割不準確問題。仿真消融手術的數值計算，需要提升精度，優化有限元模型和傳熱方程，將影響溫度的因素盡可能考慮到仿真手術中，并與離體實驗結果比較，完善仿真體系。

計算機建模仿真技術要應用到臨床的脊椎熱消融手術中，需要完善計算機智能分割建模和仿真消融手術數值計算這兩部分技術。這兩項研究相對獨立，尤其是圖像分割，有著廣泛的應用，但如何完成從圖像分割到三維模型的建立，仍是有待完善的環節。仿真模型因為會用于有限元分析，對建模精度和格式也有要求。目前的仿真手術系統都是基于已有的脊椎三維模型，未來需要將計算機智能分割與建模納入整個體系中，才能夠形成完整的技術鏈，投入臨床應用。