李華玲，李金凱，張煒，王沛沛，孫新臣

1.南京醫(yī)科大學(xué) 特種醫(yī)學(xué)系，江蘇 南京 210009；2.南京醫(yī)科大學(xué)第一附屬醫(yī)院 放療科，江蘇 南京 210009；3.福建自貿(mào)實(shí)驗(yàn)區(qū)廈門片區(qū)Manteia數(shù)據(jù)科技有限公司，福建 廈門 361000

引言

隨著放射治療技術(shù)的發(fā)展，其已成為腫瘤治療的重要手段之一。據(jù)估計(jì)，美國(guó)每年有多達(dá)一半的癌癥患者將接受放射治療[1]。在腫瘤放射治療的過程中，危及器官（Organs at Risks，OARs）及靶區(qū)的準(zhǔn)確勾畫是重要的步驟之一。通常都由醫(yī)師對(duì)相應(yīng)的CT圖像進(jìn)行手動(dòng)勾畫OARs及靶區(qū)，而手動(dòng)勾畫這些結(jié)構(gòu)不僅耗時(shí)費(fèi)力，而且勾畫結(jié)果更依賴于醫(yī)生所掌握的解剖學(xué)和腫瘤學(xué)知識(shí)，主觀性較強(qiáng)，一致性和規(guī)范性較差。

近年來，有越來越多的研究致力于OARs自動(dòng)勾畫。當(dāng)前已有多種類型的自動(dòng)勾畫技術(shù)，其中包括基于圖譜的自動(dòng)勾畫技術(shù)[2-3]，基于機(jī)器學(xué)習(xí)的自動(dòng)勾畫技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)勾畫技術(shù)[4-6]?；趫D譜的自動(dòng)勾畫技術(shù)是通過目標(biāo)CT圖像與圖譜庫(kù)內(nèi)的參考圖像進(jìn)行形變配準(zhǔn)后根據(jù)圖譜庫(kù)內(nèi)圖像所勾畫的結(jié)構(gòu)對(duì)目標(biāo)圖像進(jìn)行勾畫。其缺點(diǎn)就是難以處理患者之間的解剖學(xué)差異[7]，且建立圖譜庫(kù)時(shí)需花較長(zhǎng)的時(shí)間。目前應(yīng)用最多的是基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）的自動(dòng)分割技術(shù)。自Ronneberger等[8]第一次提出U-Net用于生物醫(yī)學(xué)圖像分割開始，U-Net便被廣泛應(yīng)用于醫(yī)學(xué)圖像的自動(dòng)分割。這得益于U-Net可以對(duì)較少的數(shù)據(jù)進(jìn)行訓(xùn)練，勾畫準(zhǔn)確性較高，速度快等特點(diǎn)[8-9]。近年來，有許多研究提出一些結(jié)構(gòu)類似于U-Net的一些變體用于圖像的自動(dòng)分割[10-12]。本研究意在訓(xùn)練和評(píng)價(jià)一種基于U-Net的乳腺OARs的自動(dòng)分割方法。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

選取南京醫(yī)科大學(xué)第一附屬醫(yī)院2018年4月至2019年11月的140例早期乳腺腫瘤保乳術(shù)后放療的病例，其中左側(cè)保乳術(shù)后及右側(cè)保乳術(shù)后各70例，所有病例皆無鎖骨以上靶區(qū)。定位時(shí)均采用仰臥位，雙手上舉置于托架上來固定患者體位。所有病例的圖像采集均使用西門子CT模擬定位系統(tǒng)進(jìn)行掃描，掃描層厚5 mm，層間距5 mm。將采集的CT圖像通過DICOM傳至MIM Maestro軟件，由同一位醫(yī)師在此軟件上對(duì)所有病例進(jìn)行勾畫，并由高年資醫(yī)師進(jìn)行二次確認(rèn)。所有病例所勾畫的OARs為雙肺，心臟及健側(cè)乳腺（包括左側(cè)正常乳腺及右側(cè)正常乳腺），勾畫標(biāo)準(zhǔn)參考RTOG 1106勾畫指南[13]。

1.2 自動(dòng)勾畫方式

1.2.1 基于U-Net的自動(dòng)勾畫方法

使用120例已勾畫好OARs的乳腺癌病例，其中左側(cè)及右側(cè)各60例。將病例標(biāo)記為左右側(cè)后用于訓(xùn)練自動(dòng)勾畫模型，訓(xùn)練過程如圖1所示，首先將圖像進(jìn)行Dicom預(yù)處理，生成原始圖像及標(biāo)簽圖像，然后對(duì)原始圖像進(jìn)行增強(qiáng)及標(biāo)準(zhǔn)化后輸入U(xiǎn)形網(wǎng)絡(luò)結(jié)構(gòu)（圖2），最后采用Dice損失函數(shù)對(duì)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果和標(biāo)簽圖像進(jìn)行損失計(jì)算并反向傳播。實(shí)驗(yàn)壞境：CPU：Intel(R)Xeon(R) CPU E5-2678v3@2.50GHz；GPU：NVIDIA TITAN RTX 24GB。

圖1 訓(xùn)練流程

圖2 U形網(wǎng)絡(luò)結(jié)構(gòu)

1.2.2 基于atlas的自動(dòng)勾畫方法

使用120例已勾畫好OARs的乳腺癌病例，其中左、右側(cè)乳腺癌各60例。將病例逐個(gè)導(dǎo)入MIM Maestro軟件，數(shù)據(jù)導(dǎo)入后，標(biāo)記每個(gè)病例的腫瘤左右輪廓并保存為atlas對(duì)象，進(jìn)而在軟件上創(chuàng)建自動(dòng)勾畫圖譜庫(kù)。

1.2.3 自動(dòng)勾畫的測(cè)試

使用20例乳腺癌病例的CT圖像輸入經(jīng)訓(xùn)練好的基于U-Net及基于atlas的自動(dòng)勾畫模型進(jìn)行勾畫，將基于U-Net的自動(dòng)勾畫模型所勾畫完成的數(shù)據(jù)導(dǎo)入MIM Maestro軟件，在MIM Maestro軟件上分別計(jì)算基于U-Net的自動(dòng)勾畫方法與手動(dòng)勾畫方法之間及基于atlas的自動(dòng)勾畫方法與手動(dòng)勾畫方法之間的各個(gè)OARs 的DSC值以及MDA值。

1.3 評(píng)估方法

采用戴斯相似系數(shù)（Dice Similarity Coefficient，DSC）及平均最小距離（Mean Distance to Agreement，MDA）對(duì)自動(dòng)勾畫的精度進(jìn)行評(píng)估。

（1）DSC： 用于評(píng)價(jià)自動(dòng)勾畫和手動(dòng)勾畫之間的體積重疊性[14-15]，公式(1)為：

其中，Va代表自動(dòng)勾畫輪廓的體積，Vm代表手動(dòng)勾畫輪廓的體積。DSC的大小在0至1之間，其數(shù)值越接近1表示相似度越高，則表明自動(dòng)勾畫的勾畫精度越高。

（2）MDA： 用來描述兩個(gè)集合之間的距離，具體含義是自動(dòng)勾畫輪廓集合中的所有點(diǎn)移動(dòng)到與手動(dòng)勾畫輪廓集合完全重疊一致所需的平均最小距離[16-17]，公式(2)為：

A代表自動(dòng)勾畫輪廓的點(diǎn)集，B代表手動(dòng)勾畫輪廓的點(diǎn)集，a∈A，a∈B，當(dāng)MDA數(shù)值越接近于0，表明兩個(gè)勾畫輪廓集合之間的差別越小，則自動(dòng)勾畫精度越高。

1.4 統(tǒng)計(jì)學(xué)分析

使用SPSS 23.0軟件對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析。雙側(cè)肺，健側(cè)乳腺，心臟的DSC值及MDA值用均數(shù)±標(biāo)準(zhǔn)差（±s）表示，對(duì)基于U-Net的自動(dòng)勾畫方法及基于atlas的自動(dòng)勾畫方法經(jīng)行配對(duì)t檢驗(yàn)，P值小于0.05則認(rèn)為具有統(tǒng)計(jì)學(xué)差異。

2 結(jié)果

2.1 基于U-Net的自動(dòng)勾畫方法的勾畫準(zhǔn)確性評(píng)價(jià)

如表1所示，基于U-Net的自動(dòng)勾模型所勾畫的OARs，除了左側(cè)正常乳腺DSCu均值為0.896，其余OARs的DSCu均值均大于0.9。其中雙肺DSCu均值均大于0.972且MDA均值均小于0.62；健側(cè)乳腺DSCu均值均大于0.89且MDAu均值均小于1.68；心臟DSCu均值為0.949，MDAu均值為1.206。圖3a及圖3b為基于U-Net的自動(dòng)勾畫方法對(duì)左、右側(cè)乳腺癌OARs的勾畫，如圖所示，自動(dòng)勾畫方法所勾畫的輪廓與醫(yī)生手動(dòng)勾畫輪廓基本一致，在正常乳腺的起始及結(jié)束層面的勾畫還有所欠缺，還需進(jìn)一步修正。

表1 基于U-Net的自動(dòng)勾畫方法的OARs勾畫準(zhǔn)確度的評(píng)估參數(shù)（±s，mm）

表1 基于U-Net的自動(dòng)勾畫方法的OARs勾畫準(zhǔn)確度的評(píng)估參數(shù)（±s，mm）

OARs DSCu MDAu右側(cè)正常乳腺 0.906±0.029 1.374±0.505左側(cè)正常乳腺 0.896±0.012 1.673±0.525左肺 0.972±0.004 0.594±0.058右肺 0.975±0.004 0.619±0.073心臟 0.949±0.010 1.206±0.249

2.2 兩種自動(dòng)勾畫方法的比較

如表2所示，雙側(cè)肺，左、右側(cè)正常乳腺及心臟的DSCu均值均大于DSCa均值，且MDAu均值均小于MDAa均值。其中左、右側(cè)正常乳腺的DSCu均值與DSCa均值差值最大，雙側(cè)肺的DSCu均值與DSCa均值差值最??；左、右側(cè)正常乳腺的MDAu均值與MDAa均值差值最大，雙側(cè)肺的MDAu均值與MDAa均值差值最小。如圖4所示，可以清楚的看到在雙側(cè)肺DSC折線圖中，除了個(gè)別點(diǎn)之外，由基于U-Net的自動(dòng)勾畫模型勾畫的雙側(cè)肺的DSC折線均位于由基于atlas的自動(dòng)方法勾畫的雙側(cè)肺的DSC折線之上，在MDA折線圖中，除了個(gè)別點(diǎn)之外，由基于U-Net的自動(dòng)勾畫模型勾畫的雙側(cè)肺的MDA折線均位于由基于atlas的自動(dòng)方法勾畫的雙側(cè)肺的MDA折線之下；心臟的DSC及MDA折線圖分布與雙肺相似，除個(gè)別點(diǎn)之外，在DSC折線圖中，基于U-Net的自動(dòng)勾畫模型的勾畫的心臟的DSC折線均位于由基于atlas的自動(dòng)方法勾畫的心臟的DSC折線之上，在MDA折線圖中，基于U-Net的自動(dòng)勾畫模型勾畫的心臟的MDA折線均位于由基于atlas的自動(dòng)方法勾畫的心臟的MDA折線之下；在左、右健側(cè)乳腺中，則可以看到在DSC折線圖中，由基于U-Net的自動(dòng)勾畫模型勾畫的健側(cè)乳腺的DSC折線均位于由基于atlas的自動(dòng)方法勾畫的健側(cè)乳腺的DSC折線之上，在MDA折線圖中，除個(gè)別點(diǎn)之外，由基于U-Net的自動(dòng)勾畫模型勾畫的健側(cè)乳腺的MDA折線均位于由基于atlas的自動(dòng)方法勾畫的健側(cè)乳腺的MDA折線之下。使用配對(duì)t檢驗(yàn)對(duì)兩種勾畫方法對(duì)乳腺癌OARs的勾畫結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)分析，結(jié)果顯示，雙側(cè)肺，左、右側(cè)正常乳腺及心臟的DSC差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05）。左側(cè)肺，左、右側(cè)正常乳腺及心臟的MDA差異具有統(tǒng)計(jì)學(xué)差異（P＜0.05），詳見表2。如圖3所示，基于U-Net的自動(dòng)勾畫方法的勾畫輪廓與手動(dòng)勾畫輪廓重合性較基于atlas的自動(dòng)勾畫方法的好，且較其他OARs，健側(cè)乳腺的勾畫差異更為顯著。

圖3 兩種自動(dòng)勾畫方法的OARs勾畫結(jié)果示意圖

表2 兩種自動(dòng)勾畫方法OARs勾畫結(jié)果的比較（±s）

表2 兩種自動(dòng)勾畫方法OARs勾畫結(jié)果的比較（±s）

注：DSCu及MDAu表示基于U-Net的自動(dòng)勾畫方法的勾畫結(jié)果評(píng)價(jià)參數(shù)，DSCa及MDAa表示基于atlas的自動(dòng)勾畫技術(shù)的的勾畫結(jié)果評(píng)價(jià)參數(shù)。

參數(shù) 右側(cè)正常乳腺 左側(cè)正常乳腺 左肺 右肺 心臟DSCu 0.906±0.029 0.896±0.012 0.972±0.004 0.975±0.004 0.949±0.010 DSCa 0.819±0.043 0.828±0.048 0.967±0.005 0.973±0.006 0.937±0.009 MDAu/mm 1.374±0.505 1.673±0.525 0.594±0.058 0.619±0.073 1.206±0.249 MDAa/mm 2.708±1.526 2.492±0.917 0.728±0.118 0.656±0.131 1.568±0.456 PDSC 0.001 0.003 ＜0.001 0.007 ＜0.001 PMDA 0.008 0.023 ＜0.001 0.153 0.004

圖4 兩種自動(dòng)勾畫方法的OARs勾畫結(jié)果折線圖

3 討論

隨著精準(zhǔn)放療時(shí)代的到來，提高OARs勾畫的準(zhǔn)確性和一致性成為放射治療的關(guān)鍵步驟之一。通常手動(dòng)勾畫OARs需要數(shù)十分鐘而自動(dòng)分割技術(shù)只需數(shù)十秒，因此圖像的自動(dòng)分割技術(shù)有利于加快放療進(jìn)程從而防止腫瘤因?yàn)槎ㄎ缓蟮拈L(zhǎng)時(shí)等待導(dǎo)致的進(jìn)展。同時(shí)其也有利于促進(jìn)自適應(yīng)放療技術(shù)的發(fā)展，可縮短每日用于勾畫OARs所需消耗的時(shí)間[12]。本研究訓(xùn)練了一種基于U-Net的自動(dòng)分割方法用于早期乳腺癌OARs的自動(dòng)分割。本研究訓(xùn)練的自動(dòng)分割方法對(duì)雙側(cè)肺的勾畫效果較好（DSC均大于0.972），在臨床應(yīng)用過程中醫(yī)師基本不需要調(diào)整或只需要進(jìn)行微調(diào)即可。左、右側(cè)正常乳腺及心臟的DSCu值分別為0.896，0.906及0.949。Zijdenbos等[18]認(rèn)為DSC＞0.7表明勾畫效果較好，而本研究所設(shè)計(jì)的自動(dòng)分割模型的自動(dòng)勾畫效果優(yōu)于此標(biāo)準(zhǔn)(DSC均大于0.89)，說明所建模型具有較好的性能。

目前有很多關(guān)于OARs的自動(dòng)分割的研究[19-22]，其中大部分的研究都是關(guān)于頭頸部OARs的自動(dòng)分割。在乳腺癌的放射治療過程中，相比其他胸部腫瘤，對(duì)健側(cè)乳腺的保護(hù)也是不可缺少的。由于乳腺形態(tài)及類型的多樣性，基于atlas的自動(dòng)勾畫技術(shù)的勾畫準(zhǔn)確性較差，在相同數(shù)量訓(xùn)練數(shù)據(jù)集的情況下，其對(duì)正常乳腺的勾畫準(zhǔn)確性較本研究所訓(xùn)練的基于U-Net的自動(dòng)分割方法的自動(dòng)分割準(zhǔn)確性差。如圖4所示，則可以看到在DSC折線圖中，由基于U-Net的自動(dòng)勾畫模型勾畫的健側(cè)乳腺的DSC折線均位于由基于atlas的自動(dòng)方法勾畫的健側(cè)乳腺的DSC折線之上。說明在每一例健側(cè)乳腺的勾畫中，基于U-Net的自動(dòng)分割方法與手動(dòng)勾畫方法的勾畫輪廓重合性均高于基于atlas的勾畫結(jié)果（圖3）。因此在對(duì)于健側(cè)乳腺的自動(dòng)勾畫，本研究訓(xùn)練的方法優(yōu)于基于atlas的自動(dòng)勾畫方法。本研究所訓(xùn)練的自動(dòng)分割方法可以運(yùn)用于臨床并輔助醫(yī)生對(duì)乳腺癌OARs的自動(dòng)勾畫，有利于減少醫(yī)生的勾畫時(shí)間，提高工作效率。本研究所訓(xùn)練的自動(dòng)分割方法勾畫的OARs適用于無鎖骨以上靶區(qū)的乳腺癌放療中周圍正常組織的保護(hù)，而對(duì)于有鎖骨以上靶區(qū)的乳腺癌則需要醫(yī)師對(duì)另外所需的OARs進(jìn)行補(bǔ)充勾畫。因此在今后的研究中，可進(jìn)一步增加臂叢、甲狀腺、氣管、脊髓等OARs作為訓(xùn)練對(duì)象，從而進(jìn)一步減少醫(yī)生補(bǔ)充修改勾畫的時(shí)間。

4 結(jié)論

綜上所述，基于U-Net的自動(dòng)勾畫模型在乳腺癌危及器官勾畫中具有較好的勾畫效果，且其勾畫準(zhǔn)確性較基于atlas的自動(dòng)勾畫方法的高。