基于RT-Mind軟件的乳腺癌靶區(qū)及危及器官的自動(dòng)勾畫(huà)

高文超，王軍良，秦琪，林鴻宇，解傳濱，戴相昆，張軍艦

中國(guó)人民解放軍總醫(yī)院 a. 第五醫(yī)學(xué)中心放療科；b. 第一醫(yī)學(xué)中心放療科，北京 100853

引言

乳腺癌是全球女性中最為常見(jiàn)的惡性腫瘤，其每年新增患病人數(shù)約100萬(wàn)，年死亡率在全部癌癥中僅次于肺癌（超過(guò)40萬(wàn)）[1]。早期乳腺癌患者采用保乳手術(shù)聯(lián)合術(shù)后放療治療模式，術(shù)后放療能夠有效地降低局部復(fù)發(fā)率，提高患者生存率。臨床靶區(qū)（Clinical Target Volumes，CTV）和危及器官（Organs-At-Risk，OARs）的精確勾畫(huà)是乳腺癌患者精確放療的前提和保證。放射腫瘤醫(yī)師手動(dòng)勾畫(huà)的CTV和OARs是當(dāng)前臨床勾畫(huà)的金標(biāo)準(zhǔn)，但是臨床工作中CTV及OARs的勾畫(huà)是一個(gè)費(fèi)時(shí)且費(fèi)力的工作，大量重復(fù)性的工作降低了醫(yī)師對(duì)患者進(jìn)行診療的效率[2-3]。近年來(lái)，自動(dòng)勾畫(huà)軟件的開(kāi)發(fā)已成為放療領(lǐng)域的熱點(diǎn)，基于患者圖集[4-5]和基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[6-7]的自動(dòng)勾畫(huà)是目前兩種主要的自動(dòng)勾畫(huà)技術(shù)。本研究的RT-Mind軟件是基于CNN開(kāi)發(fā)出來(lái)的自動(dòng)勾畫(huà)軟件，它是利用改進(jìn)版的U-Net卷積神經(jīng)網(wǎng)絡(luò)模型（RTD-Net），運(yùn)用標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，通過(guò)算法邏輯對(duì)圖像進(jìn)行自動(dòng)分割勾畫(huà)。本研究擬通過(guò)RT-Mind軟件，探討其對(duì)乳腺癌保乳放療患者CTV和OARs自動(dòng)勾畫(huà)的精確度，為臨床應(yīng)用提供參考。

1 資料與方法

1.1 臨床資料

選取本院2020年4月至7月行保乳手術(shù)的早期乳腺癌患者10例，年齡43～68歲，中位年齡51歲。定位時(shí)患者平躺在乳腺托架上，雙手上舉握桿，使乳腺靶區(qū)完全暴露，通過(guò)激光燈標(biāo)志體表標(biāo)記，鉛絲標(biāo)記乳房邊界。掃描范圍：下頜至乳腺褶皺下5 cm。掃描條件：管電壓120 kV，管電流時(shí)間300 mAs，層厚3 mm，層間距3 mm。掃描完成后將圖像分別傳至Eclipse治療計(jì)劃系統(tǒng)及RT-Mind軟件。

1.2 手動(dòng)、自動(dòng)勾畫(huà)CTV及OARs

在Eclipse治療計(jì)劃系統(tǒng)中，所有靶區(qū)及危及器官均由一名有經(jīng)驗(yàn)的放療醫(yī)師勾畫(huà)，依據(jù)體表定位標(biāo)志、CT圖像及丹麥乳腺癌協(xié)作組（DBCG）圖譜[8]勾畫(huà)全乳腺CTV及OARs，其中OARs包括雙肺、心臟及健側(cè)乳腺。在RTMind軟件中，使用自動(dòng)勾畫(huà)功能模塊，選取乳腺癌CTV及上述OARs進(jìn)行自動(dòng)勾畫(huà)，RT-Mind軟件CTV、OARs的勾畫(huà)標(biāo)準(zhǔn)如下：CTV上界為鎖骨頭下1 cm，下界為對(duì)側(cè)乳腺明顯消失，前界為皮膚，后界為除外胸肌、胸壁肌肉、肋骨，外界為乳腺褶皺/胸外側(cè)動(dòng)脈前，內(nèi)界為胸肋交界處；雙肺在肺窗勾畫(huà)，炎癥、萎陷、纖維化和不張的肺都應(yīng)包括在內(nèi)，肺門(mén)外的小血管也包括在內(nèi)，肺門(mén)、氣管及主支氣管排除在外；心臟沿心包囊進(jìn)行勾畫(huà)，上界從右肺動(dòng)脈退至中線(xiàn)層面開(kāi)始，向下延伸至心尖部，不包括已出現(xiàn)的下腔靜脈；健側(cè)乳腺為CT圖像上明顯可見(jiàn)的乳腺組織。

1.3 RT-Mind軟件

RT-Mind軟件由北京醫(yī)智影科技有限公司研發(fā)設(shè)計(jì)，采用改進(jìn)版的U-Net卷積神經(jīng)網(wǎng)絡(luò)模型（RTD-Net）實(shí)現(xiàn)圖像自動(dòng)勾畫(huà)，RTD-Net的總體框架見(jiàn)圖1。該模型遵循U-Net的基本框架，包含編碼器（Encoder）及解碼器（Decoder）兩部分，解碼器部分產(chǎn)生的特征圖可通過(guò)跨層連接方式直接連接到解編碼器部分相對(duì)應(yīng)的特征圖，使得圖像分割結(jié)果更精確。RTD-Net中的卷積層被Context Aggregation Block所代替，編碼部分和解編碼部分都由五個(gè)Context Aggregation Block組成，這種改進(jìn)改善了定位精度、減少了假陽(yáng)性。與此同時(shí)，RTD-Net還使用了Squeeze-Extract Block來(lái)改變不同通道之間所占權(quán)重大小，使網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)特征重新校準(zhǔn)，選擇性地抑制不太有用的特征，強(qiáng)調(diào)有用的特征信息，提高了網(wǎng)絡(luò)表達(dá)能力。

圖1 RTD-Net網(wǎng)絡(luò)框架

1.4 評(píng)估參數(shù)

以醫(yī)生手動(dòng)勾畫(huà)的CTV及OARs輪廓結(jié)果作為金標(biāo)準(zhǔn)，采用Dice相似系數(shù)（DSC）、Jaccard系數(shù)（JAC）、體積差異（VD）、Hausdorff距離（HD）四種參數(shù)定量評(píng)估RTMind自動(dòng)勾畫(huà)的準(zhǔn)確性。

1.4.1 Dice相似系數(shù)

DSC用于評(píng)價(jià)2組勾畫(huà)輪廓在體積上的重合度，DSC取值范圍0～1，越接近1，表明2個(gè)體積重合度越好，見(jiàn)式(1)。

其中，A為自動(dòng)勾畫(huà)結(jié)果，B為手動(dòng)勾畫(huà)結(jié)果。

1.4.2 Jaccard系數(shù)

JAC用于比較2組勾畫(huà)輪廓的相似性與差異性，JAC取值范圍0～1，越接近1，表明2個(gè)體積相似度越高，見(jiàn)式(2)。

1.4.3 體積差異

VD指2組勾畫(huà)輪廓體積差異值占標(biāo)準(zhǔn)勾畫(huà)（手動(dòng)勾畫(huà)）體積的百分比，VD值越接近0越好，見(jiàn)式(3)。

1.4.4 Hausdorff距離

HD用于衡量2組點(diǎn)集在三維空間上的表面距離，見(jiàn)式(4)。

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 20.0統(tǒng)計(jì)軟件對(duì)靶區(qū)、OARs數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析，定量測(cè)量值以（均值±標(biāo)準(zhǔn)差）表述，并對(duì)自動(dòng)勾畫(huà)CTV與CTV內(nèi)收0.5 cm之間的勾畫(huà)結(jié)果差異行配對(duì)t檢驗(yàn)，P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

RT-Mind軟件自動(dòng)勾畫(huà)乳腺CTV及OARs的參數(shù)結(jié)果分別如表1～2所示。由表1可以看出，對(duì)于臨床靶區(qū)CTV：自動(dòng)勾畫(huà)CTV未經(jīng)處理前，其勾畫(huà)效果不夠理想，其中DSC均值為0.77，小于0.8；經(jīng)過(guò)內(nèi)收后的CTV內(nèi)收0.5 cm其勾畫(huà)效果明顯得到提高，與未經(jīng)處理前的自動(dòng)勾畫(huà)的CTV相比，除HD值無(wú)變化外，其他評(píng)價(jià)參數(shù)均有明顯改善，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。由表2可以看出，對(duì)于OARs：四個(gè)OARs的HD均值均小于2.00 cm；四個(gè)OARs的DSC、JAC、VD均值比較，雙肺＞心臟＞健側(cè)乳腺，表明雙肺勾畫(huà)效果最好，心臟次之，最后是健側(cè)乳腺。圖2為可視化的乳腺癌靶區(qū)及OARs的勾畫(huà)效果，表明臨床靶區(qū)CTV勾畫(huà)相對(duì)較差，其他勾畫(huà)效果較為理想，基本上能為臨床所接受。

表1 基于RT-Mind軟件靶區(qū)自動(dòng)勾畫(huà)結(jié)果

表2 基于RT-Mind軟件OARs自動(dòng)勾畫(huà)結(jié)果

圖2 自動(dòng)勾畫(huà)結(jié)果

3 討論

IMRT已經(jīng)廣泛應(yīng)用于乳腺癌治療，IMRT計(jì)劃具有劑量梯度大、靶區(qū)適形度高等優(yōu)點(diǎn)，因此放療計(jì)劃對(duì)靶區(qū)及危及器官的精確勾畫(huà)要求更高，然而臨床靶區(qū)及危及器官的勾畫(huà)費(fèi)時(shí)費(fèi)力，不同醫(yī)師勾畫(huà)存在一定差異，另外隨著自適應(yīng)放療技術(shù)的發(fā)展，要求臨床醫(yī)師能在短時(shí)間內(nèi)精確的勾畫(huà)靶區(qū)及危及器官。面對(duì)這些挑戰(zhàn)，自動(dòng)勾畫(huà)軟件的開(kāi)發(fā)與應(yīng)用可為其提供可行的解決途徑，目前自動(dòng)勾畫(huà)方法主要分為兩種：基于圖集的方法和基于CNN的方法，并且國(guó)內(nèi)外已在鼻咽癌[9-11]、直腸癌[12-13]、宮頸癌[14-15]的腫瘤靶區(qū)或OARs自動(dòng)勾畫(huà)中取得了不錯(cuò)的效果，而有關(guān)乳腺癌自動(dòng)勾畫(huà)效果的相關(guān)報(bào)道較少，因此本文通過(guò)醫(yī)智影公司開(kāi)發(fā)的RT-Mind軟件對(duì)乳腺癌靶區(qū)及OARs自動(dòng)勾畫(huà)的準(zhǔn)確性作相關(guān)研究，為其臨床應(yīng)用提供參考。

對(duì)于乳腺癌保乳術(shù)后CTV的勾畫(huà)，其勾畫(huà)精度直接影響腫瘤局部控制率、復(fù)發(fā)率。眾多研究[4,16]發(fā)現(xiàn)不同單位中心、不同醫(yī)師按相同指南勾畫(huà)同一類(lèi)型腫瘤，因勾畫(huà)習(xí)慣、經(jīng)驗(yàn)水平不同，其勾畫(huà)結(jié)果存在一定差異性，而自動(dòng)勾畫(huà)軟件恰好能縮小其差異性。本研究利用RT-Mind軟件對(duì)乳腺CTV進(jìn)行勾畫(huà)，結(jié)果顯示評(píng)估參數(shù)值與危及器官相比，均不理想。主要原因是RT-Mind軟件定義的CTV前界在皮膚，而按照ESTRO指南[17]、RTOG勾畫(huà)指南及本中心勾畫(huà)經(jīng)驗(yàn)，CTV應(yīng)在皮膚下0.5 cm處，為此將自動(dòng)勾畫(huà)的CTV按Body內(nèi)收0.5 cm作為新CTV內(nèi)收0.5cm，再與臨床醫(yī)生手動(dòng)勾畫(huà)CTV比較，結(jié)果表明CTV內(nèi)收0.5cm能明顯改善自動(dòng)勾畫(huà)CTV效果，能夠應(yīng)用于臨床實(shí)踐。值得注意的是，本研究CTV內(nèi)收0.5cm的DSC均值為0.83，與陳新元等[18]研究得到的左/右乳腺癌靶區(qū)DSC均值0.87/0.88有一定的差異，主要原因是所采用的卷積神經(jīng)網(wǎng)絡(luò)不同，但二者DSC均值結(jié)果均大于0.8，說(shuō)明輪廓之間均具有較好的一致性。本研究還發(fā)現(xiàn)RT-Mind軟件勾畫(huà)的CTV層數(shù)與手動(dòng)勾畫(huà)層數(shù)有一定差異，表明RTD-Net模型對(duì)上下界的勾畫(huà)界限具有不確定性，這也是CTV自動(dòng)勾畫(huà)效果低于危及器官的原因之一。

對(duì)于乳腺癌保乳術(shù)后危及器官，其位置相對(duì)固定，這為RT-Mind軟件勾畫(huà)的準(zhǔn)確性提供了保證，結(jié)果表明雙肺、心臟及健側(cè)乳腺均有較好的勾畫(huà)結(jié)果，其中雙肺勾畫(huà)效果最好，心臟次之，最后是健側(cè)乳腺。危及器官邊緣勾畫(huà)的準(zhǔn)確性與邊緣對(duì)比度相關(guān)，對(duì)于RT-Mind軟件，邊緣對(duì)比度越高，越易被識(shí)別。雙肺邊界與胸壁、縱隔及膈肌三個(gè)結(jié)構(gòu)相鄰，肺密度明顯低于這三個(gè)結(jié)構(gòu)，邊緣對(duì)比度高，勾畫(huà)效果最佳。健側(cè)乳腺的勾畫(huà)與腺體密度相關(guān)，腺體致密性的乳腺邊界清晰，勾畫(huà)較好，而以脂肪及結(jié)締組織為主的乳腺邊界模糊，增加了自動(dòng)勾畫(huà)難度。研究結(jié)果發(fā)現(xiàn)，雙肺的HD值分別為（1.48±0.23）cm、（1.56±0.42）cm，均高于心臟及健側(cè)乳腺，主要原因是RT-Mind軟件在勾畫(huà)雙肺時(shí)，將肺門(mén)、氣管、主支氣管排除在外，而臨床醫(yī)生在進(jìn)行乳腺癌雙肺勾畫(huà)時(shí)，只將主支氣管排除在外，而肺門(mén)、氣管并未排除，增加了HD偏差。研究還發(fā)現(xiàn)，心臟HD偏差均出現(xiàn)在心尖部位，即心尖部位自動(dòng)勾畫(huà)效果差，這也說(shuō)明RTD-Net模型對(duì)于細(xì)節(jié)的學(xué)習(xí)能力不足，需要進(jìn)一步完善。

本研究局限性：本次研究評(píng)價(jià)樣本量較少；RT-Mind軟件模型訓(xùn)練時(shí)，數(shù)據(jù)集來(lái)源于一家單位中心，而每家單位中心的勾畫(huà)習(xí)慣及原則略有差異，且每家單位中心所用CT機(jī)不同且掃描參數(shù)也不一樣，會(huì)導(dǎo)致自動(dòng)勾畫(huà)效果有所差異；RT-Mind軟件暫未考慮危及器官左前降支冠狀動(dòng)脈（LAD）的自動(dòng)勾畫(huà)，而對(duì)于左側(cè)乳腺癌患者，LAD作為需要保護(hù)的危及器官，需要勾畫(huà)。

綜上所述，RT-Mind軟件對(duì)于乳腺癌OARs的自動(dòng)勾畫(huà)具有較好的效果，對(duì)于自動(dòng)勾畫(huà)的乳腺CTV，需沿Body內(nèi)收0.5 cm，再按照臨床醫(yī)生勾畫(huà)習(xí)慣及患者個(gè)體化原則進(jìn)行修改調(diào)整，便能符合臨床要求?？傊?，RT-Mind軟件對(duì)于乳腺癌CTV及OARs的自動(dòng)勾畫(huà)能夠應(yīng)用于臨床實(shí)踐，為臨床醫(yī)師減少工作量，提高工作效率。