基于磁共振成像的女性盆底器官三维数字模型重建的研究进展

陈立奇，薛卓维，吴氢凯

上海交通大学医学院附属第六人民医院妇产科，上海 200233

妊娠和分娩所致的盆底支撑组织损伤和老年患者盆底支撑组织力量薄弱是造成女性盆底功能障碍性疾病（pelvic floor disorders，PFD）的主要因素，其发病率有逐年升高的趋势［1］。PFD 患者常以子宫阴道脱垂，排尿、排便相关功能障碍为首发症状就诊，上述症状严重威胁患者的生活质量、影响其社交活动。恢复盆底组织器官空间解剖关系是治疗PFD 的关键，这也对影像学检查提出了更高的要求［2-3］。磁共振成像（magnetic resonance imaging，MRⅠ）可直观地呈现盆底的精细解剖，使盆底解剖进入可视化时代。而随着动态MRⅠ的发展，PFD 的解剖评估从经典的盆腔器官脱垂量化分期法（pelvic organ prolapse quantitation，POP-Q） 逐渐扩展联合MRⅠ共同评估［4］。伴随数字影像技术及人工智能技术的不断升级，盆底三维数字重建成为现实，为盆底组织器官的空间展示提供了可能。为此，本文归纳现有基于MRⅠ的三维数字模型重建技术，分析其对于盆底器官组织重建的效果及发展现状，旨在为PFD 的诊疗和科学研究提供可实践的参考。

1 基于MRI的三维数字模型重建的意义与局限

1.1 MRI与三维重建的联系及模型重建的意义

继1946 年核磁共振现象被发现以来，MRⅠ便以软组织高分辨率、无重叠断层显像、无电离辐射等优势迅速发展并应用于医学各个领域。动态MRⅠ能够记录PFD 患者Valsalva（或Kegel）动作发生时盆底器官位置的变化轨迹［5］，这是静息MRⅠ不具备的［6］，并在一定程度上解释了部分静态MRⅠ诊断与临床症状不完全一致的情况［7］。借助坐标系辅助测量，如HMO（H line，M line，organ prolapse）分度系统，MRⅠ能够对PFD 进行量化评估以提高诊疗质量［8-9］。但是，MRⅠ图像仍为二维数据，分析者只能对平面影像逐张读片和测量以完成对PFD 的解剖评估，难以满足对盆底器官组织的三维空间展示需要，这促使数字信息技术与影像学检查进一步融合。

对女性盆底器官组织进行三维重建的需求和工作是逐步深入的。二维平面影像检查（可获得长度、线夹角、面积等参数）无法直接测量空间参数（空间距离、平面夹角、体积、表面积等），需要通过一定手段重建为三维模型从而为此类研究提供测量载体。通过三维重建，研究者可根据不同应用场景和研究方向对模型进行空间测量、力学分析、形态模拟，配合相关设备亦能够实现人机交互、术式模拟、器械设计等［10］。更值得一提的是，由于三维数据来源于现实患者的无创安全的MRⅠ检查，其最终所得为个体化模型，因此其既具有临床针对性，又具有安全性。

1.2 基于MRI的三维数字模型重建的局限

尽管基于MRⅠ的三维数字模型重建的研究已初具规模，但仍有一定的局限。首先，基于MRⅠ的三维数字模型重建的核心方法为体绘制，其主要利用灰度阈值分割法（分析某像素点周围灰度连续变化幅度，通过预设阈值以判断此点是否为边缘点进行判定）识别组织轮廓，通过逐层堆叠实现三维重建。受限于盆底组织器官在MRⅠ下的显像固有特性，不同组织器官的扫描灰度范围并不能特异分离。在自动体绘制下，设定较低阈值则出现较多错误边缘，而阈值过高则出现较多边缘缺损，影响建模精准性。人工识别边缘是解决上述问题的方法，但耗时明显，且人工识别所带来的系统误差和一致性也是必须考虑的因素。

其次，盆底MRⅠ扫描需指导患者进行Valsalva（或Kegel）动作改变盆腔压力。因患者体能差异和盆底组织存在弹性疲劳，其盆底脏器在动作最大化位置保持时间不同且每次动作前后无法彻底还原位置和形状，加之MRⅠ各维度、各序列间均存在扫描时差，故成像存在形变偏差，最终导致重建模型亦存在偏差。缩短逐层扫描所用时间是减少此类偏差的解决途径，但对MRⅠ扫描设备要求更高，并非所有研究者具备此条件。

最后，不同患者对上述动作的掌握能力存在差异，部分患者动作无法达到最大化，且MRⅠ扫描体位（平卧位）和妇科检查（截石位）不一致，这些因素可能导致MRⅠ评估与POP-Q 结果不完全一致［5，11］。统一动作指导及扫描流程能在一定程度减少此类问题发生，但其标准性仍有待进一步探讨。

2 基于MRI的三维数字模型重建的临床实践

目前，能够实现三维重建的途径众多，但便于医学研究者操作，特别是能够与医学影像归档和通信系统 （picture archiving and communication systems，PACS）结合的主要为开源或商业医学影像分析软件以及针对盆底的自研分割算法和重建。

2.1 开源或商业医学影像分析软件重建女性盆底三维数字模型

此类软件（如3D Slicer、Mimics、Amira）建模技术相对成熟，可依据不同研究需求选择图形分割算法，无需额外开发。而诸如AVⅠZO、C4D、3D MAX等软件虽能够达到建模要求，但主要面向工业设计，研究者需具备一定绘图基础，专业要求高，临床开展难度大，故应用较少。

2.1.1 3D Slicer 软件 3D Slicer 软件由美国麻省理工学院人工智能实验室和波士顿Brigham 妇女医院联合开发，是近年来兴起的医学图像分析（包括配准和交互式分割）、可视化（包括体绘制、三维重建）以及用于图像引导治疗研究的开放软件平台。3D Slicer仅通过“Segment Editior”核心插件即可精准建模，直观输出，并借助算法添加、多模态成像和开放的应用程序编程接口不断更新自身运算能力和应用范围。3D Slicer 采用人工绘制与智能阈值识别相结合的方法，允许研究者在精确识别组织轮廓和模型绘制效率中寻求最大平衡。同时，多种插件的开发更为复杂PFD、盆腔器官脱垂（pelvic organ prolapse， POP）手术的方案制定和术后评估提供了个体化的解决方案。CHEN 等［3］利用3D Slicer 对阴道后壁膨出（POP分度Ⅲ期）行可视网片（一种含Fe3O4的聚丙烯复合网片，可在MRⅠ中显影）修补术后3 个月的患者，进行MRⅠ后三维重建，以精确评估手术疗效，为网片的设计及术中放置提供反馈。基于上述研究，BROCKER 等［12］利用3D Slicer 对阴道前壁膨出行可视网片植入术后的补片空间分布和位置进行评估，发现术后3个月网片面积缩小40%甚至更多。通过三维重建，临床医师能够评估网片位置及偏移程度，定量安全边缘，进而在一定程度上降低网片植入所致疼痛及其他并发症发生率。LUO等［13］应用3D Slicer对健康女性和POP 患者静息及最大Valsalva 动作下主韧带、宫骶韧带进行三维重建后发现，POP患者的主韧带相比健康女性在Valsalva 动作下较静息状态下延长更为明显，而宫骶韧带则表现为倾斜角变化更为明显，延伸长度变化与健康女性无差异。笔者所在团队利用3D Slicer 实现对PFD 的逆向分析［14］，发现根据膀胱后壁形态及下降幅度可分析患者膀胱膨出的类型。PⅠPⅠTONE 等［15］利用3D Slicer 重建会阴筋膜，发现妊娠和分娩都会导致会阴筋膜平面与坐骨耻骨支平面夹角的变化，而经阴道分娩对其影响更为严重。

3D Slicer亦有不足之处。其起步较晚，免费开源化的网络社区缺乏技术支持，致使其功能更新较慢，运行相对不稳定，在大量数据分析中容易出错。尽管如此，结合笔者的临床实践，3D Slicer的操作逻辑更易于理解，不同领域的学者均能够较快掌握其应用和分析方法并完成成果转化，故推荐3D Slicer 作为基于MRⅠ的三维数字模型重建的的首选应用。

2.1.2 Mimics 软件 Mimics 系统（Materialise’s interactive medical image control system） 由比利时Materialise 公司开发，其对于骨组织、血管组织的建模效果较为精准，并具有空间测量功能，常用于解剖分析、手术模拟、器械（假体或网片等）设计、疗效分析等领域。继国外研究者提出基于MRⅠ数据进行肛提肌三维模型测量的需求后，2009年刘萍等［16］在国内首次应用Mimics 手动分割盆底解剖结构，完整重建了会阴小肌群和骨盆，并对我国健康未育女性肛提肌相关空间参数进行测量并得出参考范围，扩展了临床对于肛提肌的空间认识。利用Mimics 重建肛提肌的研究［9］显示，相比健康女性，直肠脱垂患者肛提肌各部分出现了形态改变和断裂缺损，这是造成直肠脱垂的主要原因。部分研究利用Mimics 重建盆底三维模型后引入有限元分析以进行生物力学分析［17-18］，发现个体化经肛提肌外腹会阴联合切除术对盆底非肛提肌组织内的应力有降低作用，可为个体化诊疗提供参考。JEANDⅠTGAUTⅠER 等［10］利用Mimics 重建模型模拟不同术式对于盆腔脱垂器官的影响，发现较大网片能够提供更高的整体张力并降低缝合区域的局部张力，在减少网片磨损的情况下可有效减少盆底器官的活动度。LⅠ等［19］利用Mimics 对我国部分孕妇的骨盆及胎儿进行三维重建发现，可疑头盆不称孕妇其胎儿胎头周长、身长及体质量均明显高于正常阴道分娩产妇。Mimics 的不足之处在于其对MRⅠ扫描序列的支持不够全面，部分序列在Mimics中无法识别和绘制。

2.1.3 Amira 软件 Amira 软件由Thermo Fisher 公司开发，其盆底三维重建的研究主要分为两部分——可视化工具的开发和可视化应用的探索。

Amira 可视化工具的开发主要包括数据预处理、映射、绘制和显示。建模效果方面，Amira 具有一定自动分析能力，其处理速度快，数据通量大，允许基于MRⅠ的三维数字模型重建后的研究样本量得到提升，进而完成更为复杂的盆底测量和分析。但受限于MRⅠ对于各软组织器官的分辨率，其图像分割过程仍需人工交互配合。有学者［11］利用Amira 对Valsalva动作下的女性盆底进行重建以分析生物力学变化，发现H线（耻骨联合下缘至肛门直肠交界水平处直肠后壁的距离）、M 线（H 线直肠末端到耻骨联合下缘至骶尾关节之间连线的距离）、G1 角（肛提肌板角）、G2角（肛直肠角）可用于衡量盆腔器官脱垂的程度，以此为据评估复杂盆底缺陷，制定个体化手术方案。

Amira 可视化应用的探索主要针对盆底三维模型的渲染和分析。区别于传统被动结果观察，Amira 以研究者为引导，通过改变参数影响计算过程和观察结果，使研究者能够观察到常规三维重建下难以发现的图形规律及特殊现象。LⅠ等［20］应用Amira 重建盆筋膜腱弓，发现其与阴道前壁、耻骨膀胱肌、膀胱外侧韧带共同组成“吊床”结构。当腹压增加时，盆筋膜腱弓对近端尿道和膀胱颈部稳定性和控尿的支撑至关重要。杨晓红等［21］应用Amira 测量比较子宫脱垂患者与健康女性的骶、主韧带空间参数，发现骶韧带之间角度、骶韧带长度是子宫脱垂病变的重要参数。由此，骶韧带重建是治疗子宫脱垂的关键。LERCH等［22］应用Amira 对髋关节进行建模，以测量和模拟髋关节撞击发生时各部位空间参数，进而优化骨盆手术疗效。

Amira 的不足之处在于其多数复杂的渲染工具无法直接用于基于MRⅠ的三维数字模型，且操作逻辑不够直观，部分专有名词晦涩难懂，初学者熟练掌握周期较长。

2.2 自研分割算法重建女性盆底三维数字模型

此类方法依据是否存在已知正确的图形输入-输出数据集，即“标签”，分为有监督分割法和无监督分割法。研究者可根据研究方向针对性开发算法特性，重建与之对应的盆底模型。

2.2.1 有监督分割法 有监督分割法主要包括神经网络-深度学习、线性回归、决策树、朴素贝叶斯算法等。目前可能实现盆底重建的主流方式为神经网络-深度学习。区别于无监督分割法，神经网络-深度学习打破人为制定识别规则的局限，以现有模型和与其对应的MRⅠ序列为学习样本，模仿人脑神经元之间的信息传递模式，以适量的神经元计算节点和多层次 运 算 构 建 DⅠCOM （digital imaging and communications in medicine） 数据积卷神经网络（convolutional neural network，CNN），创建与之相适的输入和输出层，以wake-sleep 等算法认知和生成三维重建规律，经过大量样本的反复训练，可极大提高分割效率［23-24］，实现盆底三维重建全面自动化［25］。值得一提的是，深度学习具备类似于人脑思维中的“经验”，其来源于学习过程中对于干扰因素的识别和排除［26］。SARⅠ等［27］利用深度学习法训练并分割出盆腔中的消化道气囊，减少了MRⅠ偏差，其准确性与半自动分割效果相当，而将此种方法处理后的MRⅠ与μ-maps 合成后，其准确性优于传统的正电子发射断层显像（positron emission tomography，PET）/MRⅠ合成图像。目前，基于深度学习技术的人工智能辅助标注（AⅠ-assisted annotation，AⅠAA）插件已上线3D Slicer 平台，其能够对部分胸腹腔器官进行自动三维重建和学习，但仅能用于计算机断层扫描（computed tomography，CT）影像。

尽管神经网络-深度学习在各研究领域已崭露头角，但仍有其制约瓶颈。首先，神经网络-深度学习需要大量样本进行训练，而国内外基于MRⅠ的三维数字模型较少，故高数据需求量限制了其建模规律的探索，进而影响了建模质量。为避免此影响，ZABⅠHOLLAHY 等［28］采用“由粗到细”的两步CNN 策略，先学习MRⅠ中盆底器官的大体拆分，再学习细化分割，最终实现膀胱、直肠和乙状结肠的全自动分割。其次，有监督分割法所必需的“标签”在基于MRⅠ的三维数字模型重建的研究中主要体现在统一的模型评价标准。而目前国内外尚无标准的MRⅠ扫描参数、流程以及重建模型质量的评价系统，这导致不同研究中重建的盆底模型无法互相比较，而神经网络-深度学习亦无法同时利用这些模型进行统一学习。LⅠU 等［29］基于弥散加权成像序列的表观弥散系数建立评分系统对CNN 重建骨盆模型的质量进行量化评估，发现深度学习法能够自动分割骨盆，其精准性能够量化。但上述评分系统仅评价了骨盆模型，且对比标准仍为人工分割。最后，受限于深度学习法的本质特性，其建模“规律”仅体现于函数化后的计算机矩阵代码中，其学习过程难以解释，即“黑箱”处理［30］。而包含于“黑箱”中的参数是否具有其他特殊意义或研究价值尚待进一步研究。

2.2.2 无监督分割法 无监督分割法主要包括阈值、聚类、赫比学习、自编码等。无监督分割法的优势在于其以单位像素为最小图像信息采集单元，无需大量训练数据即可实现较高效率的图形分割。优化此种算法用以建模能够以统一规则减少人工分割图形带来的误差，同时减少计算机反复识别和修正轮廓导致的边缘信息丢失，保留更多模型细节。

尽管目前尚无利用自研无监督分割法直接完成盆底三维重建的报道，但从底层优化算法规则并与其他三维重建软件联合开发可能是实现精准高效盆底三维重建的另一途径。如灰度二值法能够增强MRⅠ图像骨性边缘以区分周围软组织［31］。边缘灰度增强法用于强化图像局部边缘以辅助边缘识别，提高图像分割准确性［32］。由于无监督分割法在学习过程中缺乏“标签”信息，其训练过程无最优标准作为参考，故其建模准确性与有监督分割法或人工建模相比，一致性尚待进一步探讨。

2.2.3 混合分割法 结合上述分割算法优劣，有监督与无监督混合分割法应运而生，其特性在于图形数据的分布具有部分“标签”。此方法在基于MRⅠ的三维数字模型重建的过程中可以理解为：研究者参考无监督分割算法所指示的图形边缘进行手动修正并分割图形后生成满意的模型，即标准模型。待标准模型积累一定数量后交由神经网络-深度学习进行训练，最后达到高精度自动建模的目的。3D Slicer在人工体绘制的过程中具有无监督分割算法的边缘预测。而通过人为修正后，盆底模型可以提交至神经网络进行深度学习。可见，混合分割法具有现实可行性。同时，神经网络-深度学习不仅能够建立图像-模型的输入-输出关系，亦可以建立图形-绘制者的输入-输出关系，即模仿人工绘图手法，而非建模方法。FENG 等［33］利用深度学习模仿医学专家对PFD 患者MRⅠ图像病变区域进行标定，其一致性较好，且处理单张图像仅需0.015 s。不仅证实上述分割算法的可行性，亦为后续研究提供了新的思路。

3 总结与展望

随着医学影像技术、生物信息技术以及计算机运算能力的提高，基于医学影像的生物组织三维数字重建技术已经获得了长足的发展。尽管我国基于MRⅠ的女性盆底器官三维数字模型重建的研究尚处于起步阶段，但我国PFD 人群基数大，可供学习病例丰富，相信在计算机深度学习技术以及经典三维重建技术不断创新和优化下，临床能够批量而精准地完成女性盆底组织器官的三维模型重建，以深入探索PFD 的发病机制，创新和优化诊治方案，最终提高PFD 诊疗效果，进一步改善PFD患者的生活质量。