0 引言

       经动脉化疗栓塞术（transcatheter arterial chemoembolization, TACE）已成为中晚期不可切除肝癌的标准治疗方法^[1]。但单一TACE无法彻底切断肿瘤血供和肿瘤细胞的耐药性，且缺氧会诱导肿瘤血管生成，导致术后复发率高。具有抗血管生成作用的多激酶抑制剂（tyrosine kinase inhibitors, TKIs）分子靶向药物可以选择性地抑制癌细胞的生长、增殖和血液供应，从而增强TACE的疗效。靶向药物和TACE联合治疗已成为减少TACE术后血管生成及改善预后的有效策略^{[2, 3, 4]}。然而仍有部分患者对联合治疗反应不佳，需要及时改变治疗方案。

       MRI在肝癌的预后评估中十分重要。但在实际操作中，由于呼吸运动伪影、扫描时间长等因素制约，获取高质量的图像颇具挑战性，图像分辨率不足可能影响医生对病变判断的准确性^[5]。因此，提升医学成像的空间分辨率对病灶的准确评估及疾病预测至关重要。传统的用于增强图像分辨率的插值方法不可避免地会导致边缘模糊和锯齿等现象^[6]。基于深度学习的超分辨率重建技术（deep learning super-resolution reconstruction, DL-SR）在提高医学图像的空间分辨率方面显示出了良好的效果^[7]。目前常用的基于深度学习的超分重建技术算法模型包括卷积神经网络超分模型（super-resolution convolutional neural network, SRCNN）以及生成对抗网络超分模型（super-resolution generative adversarial network, SRGAN）。SRCNN基于均方误差损失算法，往往会导致重建的图像过于平滑，缺乏感官上的图像真实感，而SRGAN是将深度残差模块与传统的生成对抗网络结合，并引入损失函数，可以保留更多的图像细节，取得更好的图像重建效果^[8]。

       影像组学通过高通量特征提取，在肝癌预后^{[9, 10]}评估方面展现出巨大潜力，既往的影像组学研究多聚焦于单一TACE疗效的预测^{[11, 12]}，而对于联合治疗方案的疗效预测研究较少，且已有的影像组学模型效能有限^[13]。近期研究表明，基于SRGAN算法的图像超分辨率重建技术可以提高图像的空间分辨率，在此基础上构建的影像组学模型的性能要优于传统的影像组学模型及临床模型^{[14, 15, 16]}。因此，本研究旨在评估基于深度学习的3D超分辨率重建技术结合MRI影像组学方法在预测TACE联合分子靶向药物治疗不可切除肝癌疗效中的潜力和效能，期望提高肝癌预后评估的准确性，从而使临床医生制订更加精准的治疗方案。

1 材料与方法

1.1 研究对象

       本研究遵照《赫尔辛基宣言》，经新乡医学院第一附属医院伦理委员会批准，免除受试者知情同意，批准文号EC-023-129。回顾性分析新乡医学院第一附属医院2019年11月至2023年12月经实验室检查、影像学或病理初诊为原发性肝癌（以2022年肝癌诊疗规范为标准^[17]）的122例病例。纳入标准：（1）在本院一经确诊肝细胞癌即接受TACE治疗，术后规律口服分子靶向药物（于术后2周内确定方案）；（2）患者在治疗前1~2周内行动态增强MRI检查；（3）Child-Pugh分期为A期或B期；（4）有确定的靶病灶可用于勾画感兴趣区体积。排除标准：（1）合并严重器官功能障碍或预计生存期少于3个月；（2）MRI图像伪影较大或图像质量差，影响病变观察及感兴趣区勾画；（3）缺乏治疗前后临床资料以及联合治疗后随访影像学检查资料；（4）其他肿瘤相关病史。

1.2 扫描仪器

       MRI检查在1.5 T或3.0 T扫描仪（Signa HDxt, GE Healthcare, USA）上使用配备8通道阵列线圈获得。腹部增强扫描序列采用屏气肝脏快速容积成像。扫描参数：TR 4.0 ms，TE 1.8 ms，FOV 420 mm×388 mm，矩阵270×224，层厚5.0 mm，高压注射器经肘正中静脉以2.5 mL/s的流速注射钆特酸葡胺（佳迪显，江苏恒瑞，中国），剂量0.1 mL/kg。注射对比剂后20、30、60、90 s分别采集增强扫描动脉早期、动脉晚期、门脉期、延迟期图像。

1.3 研究方法

1.3.1 患者分组

       根据改良实体瘤疗效评价标准^[18]将患者分为客观反应组68例（完全缓解+部分缓解）和无客观反应组（疾病进展+病情稳定）54例。

1.3.2 深度学习超分辨率重建过程

       采用商用软件Onekey AI平台（version 3.2.7，北京，中国），基于默认的参数设置卷积核大小、数量以及残差模块数量，重建倍数设置为2。首先将原始的动态对比增强MRI动脉早期图像进行预处理降噪、去伪影以及强度归一化，然后进行下采样生成低分辨率图像输入到生成器中。生成器可以从低分辨率生成高分辨率图像，核心是深度残差网络，包括卷积层（convolutional neural network, Conv）、批量归一化（batch normalization, BN）和修正线性单元（rectified linear unit, ReLU）激活层。低分辨率图像经过卷积层进行特征提取，然后通过ReLU激活函数进行非线性激活并进入残差块进行训练，残差块输出后，图像进入子像素卷积层，通过像素层卷积化上采样最终输出高分辨率图像。将高分辨率图像（生成图像）与原始动态增强MRI动脉早期图像（真实图像）输入到鉴别器中，鉴别器判断生成图像与真实图像之间的差异。鉴别器的构成与生成器类似，不同的是，鉴别器可在经过卷积块特征提取后，经过带泄露的修正线性单元（leaky rectified linear unit, Leaky ReLU）链接两个全连接层，通过逻辑函数输出数值为1表明生成图像符合期望的倍率重建图像，可对图像进行保存，否则继续返回生成器中进行重建，这个过程采用了损失函数的组合，包括梯度损失、L1损失和感知损失，以此来确保图像重建的质量^[19]。示例病例见图1，流程图见图2A。

点击查看大图

图1  重建前的图像（1A）与超分重建后的MRI增强动脉早期图像（1B）几乎完全相同，但重建后的图像纹理更细腻，边界更为清晰。
Fig. 1  The image before reconstruction (1A) is almost identical to the MRI early-arterial-phase image after super-resolution reconstruction (1B). However, the texture of the reconstructed image (1B) is finer, and its boundaries are more clearly defined.

点击查看大图

图2  超分重建及影像组学流程图。2A：超分重建过程，生成器将低分辨率图像生成高分辨率图像（生成图像），然后与MRI增强动脉早期图像（真实图像）一起输入到鉴别器中，由鉴别器判断生成图像和真实图像间的差异，sigmoid逻辑函数输出符合期望重建倍率的图像，否则返回生成器中继续该过程；2B：影像组学模型构建过程，包括肿瘤分割、特征提取、特征选择、模型构建及评价。
Fig. 2  Flow chart of super-resolution reconstruction and radiomics. 2A: The super-resolution reconstruction process, where the generator creates high-resolution images (generated images) from low-resolution images. These generated images are then input into the discriminator along with the MRI-enhanced early arterial phase images (real images). The discriminator assesses the differences between the generated and real images, and a sigmoid logistic function outputs images that match the expected reconstruction magnification; otherwise, they are returned to the generator for further processing. 2B: The radiomics model construction process, which includes tumor segmentation, feature extraction, feature selection, model building, and model evaluation.

1.3.3 图像质量评估

       主观评估：由两位影像科医师（均具有2年影像诊断经验）采用李克特量表独立从以下指标对重建前后图像质量进行评估，两位观察者对图像所属类别不知情。详细评分指标及标准：（1）图像清晰度（1分：严重模糊，无法识别细节；2分：中等模糊，细节难以辨认；3分：轻度模糊，细节辨认受限；4分：轻微模糊，细节可辨认；5分：清晰，细节清晰可见）；（2）病灶与解剖细节显示（1分：解剖细节完全无法辨识；2分：解剖细节模糊不清；3分：解剖细节显示一般；4分：解剖细节显示良好；5分：解剖细节显示极佳）；（3）伪影（1分：伪影严重致无法诊断；2分：图像显著失真；3分：伪影中等，不干扰诊断；4分：伪影较少；5分：无伪影）。计算三个指标总和的平均分，作为图像整体质量的评分。

       客观评估：两位观察者采用3D Slicer（version 4.11.0,https://download.slicer.org）软件测量重建前后图像上肝癌病灶的信号强度SI病灶、肝实质的信号强度SI肝实质，背景噪声的信号强度的标准差SD背景；感兴趣区的选定保持在同一层面的同一部位，避开坏死、囊变等区域，大小约100 mm²。背景噪声的测量是沿相位编码方向在肝脏腹侧体外区域勾画的，大小约400 mm²。计算信噪比（signal-to-noise ratios, SNR；SNR＝SI病灶/SD背景）和对比噪声比（contrast-to-noise ratios, CNR；CNR=|SI病灶-SI肝实质|/SD背景），勾画示意图如图3所示。

点击查看大图

图3  重建前（3A）、重建后（3B）测量信号强度勾画的感兴趣区的示意图，分别在肝癌病灶，邻近肝实质以及沿相位编码方向肝脏腹侧体外区域分别进行感兴趣区域的勾画，重建前后勾画的位置尽可能保持在同一层面的相同位置。
Fig. 3  Schematic illustration of the region of interest (ROI) delineated by measured signal intensity before (3A) and after (3B) reconstruction. ROIs were delineated in the hepatocellular carcinoma lesion, adjacent liver parenchyma, and the ventral extracorporeal region of the liver along the phase-encoding direction. The delineations before and after reconstruction were kept at the same anatomical level and as consistent in position as possible.

1.3.4 影像组学分析过程

       所有的分析基于3D Slicer软件（version 4.11.0,https://download.slicer.org）、R软件（version 4.3.2,https://cran.r-project.org）、Python（version 3.9,https://www.python.org）。来自不同场强机器的原始图像通过N4偏置场校验、体素重采样为1 mm×1 mm×1 mm，用最近邻插值将灰度数据离散化25个bin值宽度，从而减少不同场强机器带来的误差。然后由前述两位医师在重建前后图像上独立手动逐层勾画感兴趣区体积（volume of interest, VOI）（图2B）。为保证VOI的可重复性，随机抽取30例患者，由其中一位放射科医生再次进行VOI分割，保留组内相关系数（intra-class correlation coefficient, ICC）达到0.85或以上值的鲁棒特征。将所得到的数据进行标准化及Z分数归一化，然后进行五折交叉验证，采用最小绝对收缩和选择算子及递归特征消除法进行特征筛选，最终分别基于重建前、重建后提取到了9个、10个特征。特征分布及权重系数见图4。然后根据筛选特征及其权重系数分别计算影像组学评分（radiomics score, Radscore）。采用logistic回归分类器分别构建重建前组学模型及重建后组学模型。影像组学流程图详见图2B。

点击查看大图

图4  重建前（4A）、重建后（4B）影像组学模型最终筛选到的特征及其权重系数。
Fig. 4  The features and their weight coefficients were selected from the pre-reconstruction (4A) and post-reconstruction (4B) radiomics models.

1.4 统计学分析

       采用SPSS（version 26.0, IBM, NY, USA）和MedCalc（version 20.0, Osten, Belgium）进行统计分析。首先进行正态性检验，符合正态分布的连续变量用（x¯±s）描述，不符合则采用中位数或上下四分位数描述。分类变量的资料用频数（百分比）表示。采用Mann-Whitney U检验或两独立样本t检验来比较组间差异，采用χ²检验或Fisher精确检验比较分类变量之间差异。采用ICC评估观察者之间一致性，ICC>0.75代表一致性较好。采用多因素logistic回归建立临床模型。采用受试者工作特征（receiver operating characteristics, ROC）曲线评估不同模型的性能。DeLong检验用于比较曲线下面积（area under the curve, AUC）的差异。P<0.05（双尾）差异具有统计学意义。

2 结果

2.1 基线资料

       本研究最终纳入患者122例，客观反应组68例，无客观反应组54例。客观反应组和非客观反应组中年龄（Z=-2.358，P=0.018）、肿瘤直径（Z=-5.346，P<0.001）及动脉期强化（χ²=25.342，P<0.001）差异具有统计学意义（表1）。多因素logistic回归分析显示肿瘤直径[比值比（odds ratio, OR）值=1.311，95%置信区间（confidence interval, CI）=1.112~1.547，P<0.001]与动脉期强化（OR值=9.466，95% CI=2.489~36.001，P<0.001）为影响肝癌联合治疗疗效的独立预测因素。

点击查看表格

表1  患者基本资料
Tab. 1  Basic patient information

2.2 图像主观评分和客观测量值的组间一致性

       两位观察者对重建前及重建后图像的主观图像质量评分平均值、SNR、CNR的一致性良好，ICC均>0.75（表2）。

点击查看表格

表2  两位观察者图像主观评分和客观测量值的组间一致性分析
Tab.2  ICC analysis of subjective image scoring and objective measurement between two observers

2.3 重建前后图像质量比较

       重建前后图像的主观图像质量评分平均值（Z=-9.586，P<0.001）、SNR值（Z=-7.817，P<0.001）、CNR值（Z=-6.815，P<0.001）差异具有统计学意义。重建后图像的主观图像质量评分平均值4.000（4.000~4.333）、SNR值136.650（93.475~190.850）、CNR值55.400（27.350~88.450）高于重建前图像3.500（3.333~3.667）、122.000（83.475~157.650）、40.050（20.525~73.250），详见表3。

点击查看表格

表3  重建前后图像质量比较
Tab. 3  Image quality comparison before and after reconstruction

2.4 模型构建及性能评估

       重建前、后影像组学模型与临床模型对比后发现，训练集及验证集中重建后的影像组学模型对肝癌患者联合治疗疗效的预测效果最好，训练集AUC为0.883，验证集为0.844，高于重建前影像组学模型0.847、0.753及临床模型0.834、0.760，详见表4，图5。然而，DeLong检验的结果显示，训练集及验证集中临床模型与重建前组学模型（Z=0.225，P=0.822；Z=0.053，P=0.957）、临床模型与重建后组学模型（Z=0.957，P=0.338；Z=0.701，P=0.483）、重建后与重建前影像组学模型（Z=1.362，P=0.173；Z=1.414，P=0.158）的AUC比较，差异不具有统计学意义。重建后组学模型的校准曲线的拟合优度较好，模型的预测结果和实际结果具有良好的一致性（图6）。决策曲线表明训练集在大于0.34、验证集在0.36~0.59以及大于0.71阈值范围内，重建后的组学模型可以在预测联合治疗疗效方面使患者临床受益（图7）。

点击查看大图

图5  训练集（5A）与验证集（5B）中不同模型的ROC曲线。
Fig. 5  ROC curves of different models in the training set (5A) and validation set (5B).

点击查看大图

图6  训练集（6A）与验证集（6B）不同模型的校准曲线。
Fig. 6  Calibration curves for different models of training set (6A) and validation set (6B).

点击查看大图

图7  训练集（7A）与验证集（7B）不同模型的决策曲线。
Fig. 7  Decision curves of different models in training set (7A) and validation set (7B).

点击查看表格

表4  不同模型之间的效能比较
Tab. 4  Comparison of performance among different models

3 讨论

       本研究采用生成对抗网络的3D超分辨率重建方法对原始的动态对比增强MRI动脉早期图像进行了重建，研究结果表明重建后的图像质量要优于重建前，且重建后图像的噪声及对比度有一定程度上的改善。研究中还发现动脉期强化及肿瘤直径与治疗反应显著相关，基于此构建了临床模型。然后根据重建前后所筛选特征计算的Radscore分别构建了重建前后的影像组学模型，对比后发现，重建后影像组学模型性能高于重建前影像组学模型及临床模型，对肝癌联合治疗疗效的评估具有一定的区分度和应用价值。

3.1 SRGAN对构建影像组学模型的价值

       SRGAN结合了深度学习中的生成对抗网络和残差网络，提高了超分辨率重建的效果，生成的图像在视觉上更接近真实图像^{[16, 20]}。在本研究中，重建后的图像整体质量评分平均值、CNR、SNR均高于原始重建前图像，表明重建后的图像具有更高的图像质量、低噪声和高对比度的特点。高分辨率图像可以更清晰地显示肿瘤的形态和轮廓，对于图像细节方面显示更优，从而极大地提高了对病灶手动分割的准确性^{[20, 21]}。在医学成像领域内，从超分重建的图像中提取的放射组学特征具有出色的可重复性和鲁棒性^{[13, 22]}。WANG等^[14]研究表明基于SRGAN算法的超分重建对改善颈动脉斑块的识别具有良好的效果。HOU等^[15]通过对比基于超分重建图像构建的放射组学模型、传统的放射组学模型与医师观察模型，最终发现基于超分重建图像构建的放射组学模型的预测性能最佳，训练集中AUC达到了0.919，高于其他两种模型。这与本研究中观察到的现象一致。不同的是，本研究中DeLong检验结果并未发现各个模型之间差异存在统计学意义，分析原因可能是由于样本不足，导致模型的泛化能力受限。

3.2 影像组学模型对预测不可切除肝癌联合治疗疗效的价值

       以往研究结果表明影像组学在评估肝癌单一TACE治疗疗效方面具有重要的临床价值^{[11, 12, 23]}，但很少有研究针对肝癌联合治疗疗效进行评估。LUO等^[13]构建了影像组学模型来预测肝癌联合治疗的疗效，但其构建的模型性能较低，这可能与其小样本研究设计以及仅分析了单一联合治疗药物的影响有关。此外，尽管LUO等^[13]针对多个序列进行了特征提取研究，但并未深入讨论动脉期中动脉早期的影响。鉴于肝癌TACE与靶向药物对血管的高度敏感性，动脉早期图像能更清晰地显示肿瘤及其周围血管关系^[24]。因此，本研究采用SRGAN算法对MRI增强动脉早期图像进行了超分辨率重建并构建了影像组学模型，最终构建的模型性能高于以往研究。

3.3 临床、影像特征与肝癌联合治疗预后的关系

       本研究中发现肿瘤直径及动脉期强化与联合治疗后客观反应相关。肿瘤直径反映了肿瘤在肝脏中的扩展范围和对肝脏组织的侵袭程度，直径越大代表生长速度越快，与肿瘤负荷成正比，且与肿瘤相关微环境、血管侵犯等预后不良风险因素相关^[25]。先前的研究表明，动脉期强化程度的降低与无进展生存率的降低密切相关，肿瘤进展导致动脉流量减少，较高的间质压导致动脉毛细血管关闭^{[26, 27]}。因此低血供性肝癌TACE疗效低。而在本研究中发现富血供的肝癌预后较差，这与之前的结果不一致，分析原因可能在于对患者随访时间的差异，未来应继续探究关于随访时间的不同对联合治疗疗效的评估的影响。以往研究^[13]表明，肿瘤数量与肝癌联合治疗预后相关，但本研究并未观察到这项结果，可能是与研究的样本差别有关。

       在影像组学分析中，保留的特征类别主要集中在一阶特征和灰度相关特征两大类别。一阶特征与反映肿瘤脉管系统的动脉期肿瘤增强程度相关，对于评估肿瘤血管生成和微环境具有重要意义；灰度大小区域矩阵特征则在区域尺度上描述了肿瘤的异质性状况，而灰度纹理特征进一步反映了图像的同质性或异质性。研究表明，均质且低密度的肿瘤微环境与肿瘤异质性（如肿瘤细胞性、微坏死和炎症）相关联，且肿瘤异质性与肿瘤反应密切相关^{[28, 29]}。本研究还观察到，超分辨率重建前后提取到的特征并不完全一致，尤其是增加了形状类别的特征，这可能是因为基于深度学习的重建技术可以预测低分辨率图像中所缺失的高频信息^{[30, 31]}。此外，由于模型的学习能力不同，一种模型可能更擅长提取某些类型的特征，而忽视了其他特征，导致重建前后的图像在特征一致性上存在差异^[32]。

3.4 本研究的局限性

       （1）由于设备性能限制，本研究采用的重建倍率为2倍，这对于图像质量的提升有一定限度，且本研究为回顾性研究，图像质量的改善一定程度上依赖于原始图像的质量；（2）本研究的样本量较小，未来应继续加大样本量、寻求多中心合作进行模型训练，提高模型的稳定性；（3）仅对肿瘤实质区域进行了组学研究，肿瘤周边信息有待进一步研究；（4）本研究并未探讨不同重建算法之间的差异，且在评估重建图像质量中并未采用结构相似指数、峰值信噪比等指标来进行重建图像质量的评估。

4 结论

       综上所述，基于生成对抗网络的3D超分辨率重建算法构建的影像组学模型在预测TACE联合分子靶向药物治疗不可切除肝癌疗效中具有一定的应用价值。