利用卷积神经网络（CNN）对MRI图像进行分割，设计一种用于脑肿瘤冷冻手术治疗的最优规划框架

本研究提出一种结合U-Net图像分割、K-Medoids聚类优化和COMSOL热力学的脑瘤冷冻手术规划框架，通过2D MRI分割肿瘤区域，运用聚类算法确定探针最优数量及空间布局，并模拟低温对肿瘤和周围组织的热效应，确保有效灭活肿瘤并减少组织损伤。

　　

摘要

本研究提出了一种综合方法，用于利用二维MRI数据对形状不规则脑肿瘤进行术前冷冻手术规划。首先，使用在标注数据集上训练的2D U-Net架构从MRI切片中分割出肿瘤区域，从而实现对受影响组织的精确几何重建。然后，利用这些分割掩模通过空间探针放置策略来确定冷冻探针的位置，具体包括K-Medoids聚类、高斯混合模型（GMM）和气泡填充算法（BPA），这些方法分别预测了最佳探针数量及其在肿瘤几何结构中的空间位置。随后，在COMSOL Multiphysics中使用有限元方法（FEM）模拟冷冻消融过程。热模型基于Pennes生物传热方程（PBHTE）建立，明确考虑了通过潜热释放的相变现象，以捕捉从液态到固态的转变。目标是确保在保持细胞毒性低温$?40°C$至$?50°C$的同时，完全覆盖肿瘤，并尽量减少对周围健康脑组织的损伤。结果表明，该方法在冷冻探针放置、肿瘤覆盖范围估计以及所需冷冻时间估算方面提高了精度。所提出的框架展示了将基于深度学习的分割、聚类优化和生物热模拟相结合在冷冻手术规划中的潜力。

引言

大脑作为人类神经系统的核心，控制着重要的生理和心理活动。由于其复杂且高度特化的结构，大脑特别容易受到脑肿瘤等病理问题的影响。这些肿瘤在类型、大小和严重程度上各不相同。症状通常包括头痛、癫痫发作、性格变化以及感觉或运动障碍。虽然早期诊断至关重要，但由于大脑的复杂性，有效治疗仍然具有挑战性。

癌症是全球主要的死亡原因之一，这推动了对先进和有效治疗方法的需求。传统的治疗方法如手术、化疗和放疗被广泛使用，但往往伴随着显著的副作用，并不适用于所有患者。最近，冷冻手术（也称为冷冻疗法或冷冻消融）作为一种微创替代方案得到了认可。该技术利用极低的温度（通过氩气或液氮等冷冻剂传递）来破坏恶性组织[1]。冷冻会导致细胞内形成冰晶，破坏细胞完整性并引发坏死[7]。研究表明[1]、[5]、[31]，将组织温度维持在-40°C至-50°C之间对于有效摧毁肿瘤至关重要[14]。对于难以触及或形状不规则的肿瘤，冷冻手术是一个有价值的治疗选择，因为它具有经济性、恢复快且具有针对性。

医学成像在脑肿瘤的诊断和治疗计划中发挥着基础性作用。特别是磁共振成像（MRI），因其非侵入性以及能够生成高分辨率、对比度丰富的图像，清晰地显示软组织结构而受到青睐。MRI扫描使临床医生能够识别肿瘤的存在，监测其形状、大小和强度随时间的变化，并评估治疗干预的效果。此外，MRI越来越多地应用于分析组织的热诱导变化，使其非常适合冷冻手术规划和热建模。除了MRI之外，计算机断层扫描（CT）也提供了宝贵的解剖学信息，通常与MRI结合使用以增强肿瘤形态的可视化。

这些成像方式可以大致分为二维（2D）和三维（3D）数据集[15]。尽管3D成像提供了全面的空间信息，但由于其简单性、易用性和较低的计算需求，2D成像仍被广泛使用。在本研究中，二维MRI图像被用作开发有效冷冻手术规划框架的基础输入。2D图像支持高效的预处理，便于应用分割技术和空间算法，并能够进行更快、可重复的模拟实验。此外，标准化的2D医学图像库公开可用，非常适合模型开发和验证。这些优势共同支持了在本工作中选择2D成像来模拟和分析针对脑肿瘤的冷冻手术程序。

准确分割肿瘤区域对于实现靶向和个性化治疗至关重要。在最近的研究[12]、[24]、[29]中，深度学习技术，特别是卷积神经网络（CNN），已被广泛应用于脑肿瘤分割任务。U-Net模型以其编码器-解码器设计和跳跃连接而著称，在生物医学图像分割任务中表现出色，尤其是在训练数据有限的情况下[27]、[28]。对VGG19等模型的扩展和改编，结合了倒金字塔池化（iPPM）等模块，进一步增强了多尺度特征提取和模型可解释性[10]。这些方法改进了不同大小和位置的肿瘤的分类和定位。此外，由LIME（局部可解释模型不可知解释）等可解释AI工具支持的分割方法有助于在医学应用中建立透明度，使其适合实际部署[17]。一旦肿瘤被准确分割，下一步就是规划治疗策略——特别是对于冷冻手术等技术。

为了使冷冻手术有效，适当的规划至关重要，尤其是在确定冷冻探针的数量、位置和大小方面，以确保均匀冷冻并最小化对邻近组织的损伤[25]。先前的研究强调了优化冷冻探针位置的重要性，以提高热覆盖范围。已经探索了多种优化技术来解决这个问题，包括启发式方法、基于规则的方法[9]和基于聚类的算法[13]。除此之外，遗传算法（GA）[8]、粒子群优化（PSO）和模拟退火（SA）等进化算法也被应用于探针放置问题，因为它们能够处理复杂的多模态搜索空间。在这些方法中，基于聚类的方法在保持空间平衡和肿瘤一致性方面表现更好。特别是K-Medoids聚类[18]和高斯混合模型（GMM）[23]在本研究中显示出有希望的结果，它们能够在不规则肿瘤几何结构中有效放置探针，同时最小化重叠和对健康组织的热损伤。除了这些聚类技术外，还结合了气泡填充算法（BPA）[11]作为基于优化的策略来进一步细化探针放置。BPA将探针建模为不重叠的球体，这些球体在肿瘤边界内迭代调整位置，从而实现更均匀的空间分布和更好的热覆盖，特别是对于复杂和不规则的肿瘤形状。

一旦探针位置得到优化，下一步就是模拟冷冻消融过程的热效应。通常使用基于Pennes生物传热方程（PBHTE）[19]的数值模型来预测冷冻过程中组织内的温度分布。为了考虑相变引起的热缓冲[2]，应用了有效热容量方法，该方法修改了比热以在冷冻转变期间纳入潜热[26]。然后使用有限元方法（FEM）求解这些方程，从而能够准确模拟热传播、冰球生长和组织坏死。通过这些模拟，临床医生和研究人员可以评估治疗的效果，估计肿瘤的热覆盖范围，并验证周围健康组织是否未受到损害。

在这项研究中，我们开发了一个用于脑肿瘤冷冻手术规划的计算框架。首先，使用基于U-Net的深度学习模型从二维MRI切片中分割出肿瘤区域，提供准确的肿瘤组织边界。接下来，使用K-Medoids、高斯混合模型（GMM）和气泡填充算法等算法优化冷冻探针的数量和空间位置，以实现平衡的探针分布和有效的肿瘤覆盖。优化后，在COMSOL Multiphysics中使用Pennes生物传热方程（PBHTE）模拟手术的热行为。通过潜热释放明确考虑相变现象，以捕捉冷冻过程中的冰形成。模拟确保肿瘤组织暴露在$?40°C$至$?50°C$的低温下，同时最小化对周围健康脑结构的热损伤。为了验证所提出框架的可靠性，进行了网格独立性研究，并与Chua等人报告的实验结果进行了比较，证实了热预测的准确性和稳健性。总体而言，该框架在探针放置、肿瘤覆盖范围估算和冷冻时间估算方面提高了精度。通过整合基于深度学习的分割、聚类优化、生物热模拟和实验验证，这项工作为推进冷冻手术治疗规划提供了一种统一且有效的方法。

方法部分

当前工作的整体工作流程如下图所示。它强调了从图像分割和预处理到冷冻手术规划和后处理的各个阶段，最终得到冷冻消融结果（见图1）。

仿真框架

在选择出最佳的冷冻探针位置后，下一步是模拟肿瘤组织在冷冻消融过程中的反应。这涉及使用有限元方法（FEM）应用数学模型和数值方法来捕捉冷冻动态、相变和热传递[3]。

肿瘤分割结果

数据集总共包含3929张图像。分配如下：2750张用于训练，354张用于验证，825张用于测试。

之前选定的测试图像的分割结果包括原始输入的MRI切片和U-Net模型生成的相应二进制肿瘤掩模（见图9）。

评估指标

为了评估分割性能，使用了以下指标（见表4）：

成功分割后，选定的

验证

为了建立冷冻手术仿真框架的可信度和准确性，进行了验证研究。这些研究包括网格独立性分析和仿真参数的比较，以确保结果可靠和一致。

结论

本研究提出了一种利用冷冻消融破坏肿瘤的综合框架，结合了基于深度学习的图像分割、探针优化算法和通过有限元方法的数值仿真。通过利用U-Net模型，从二维MRI图像中准确分割出了肿瘤区域。转换后的DXF边界使得在COMSOL中进行精确的几何建模成为可能。

使用气泡填充算法确定的冷冻探针位置始终表现优于

未来展望

本研究主要关注使用基于分割的聚类和气泡填充算法进行冷冻探针放置的几何优化；然而，未来仍有几个重要的研究方向。首先，尽管脑肿瘤的冷冻手术尚未成为标准化的临床方法，但其新兴应用表明需要进一步研究术后安全性、可行性和患者结果，特别是在涉及

CRediT作者贡献声明

Nirmal Yadav：撰写——审阅与编辑，监督。Sonam Tanwar：撰写——审阅与编辑，监督，项目管理，概念化。Anhad Mehrotra：撰写——初稿，方法论，调查，正式分析。Abhay Pawar：撰写——初稿，方法论，调查，正式分析。Mohit：撰写——初稿，方法论，调查，数据管理。Arjun Gupta：撰写——初稿，软件，调查。

利益冲突声明

无