基于MRI圖像的自動(dòng)勾畫(huà)技術(shù)在宮頸癌放療中的應(yīng)用研究

姚凱寧，劉嘉城，王美嬌，王清瑩，吳 昊，蔣 璠，杜 乙，岳海振

（北京大學(xué)腫瘤醫(yī)院，北京市腫瘤防治研究所，惡性腫瘤發(fā)病機(jī)制及轉(zhuǎn)化研究教育部重點(diǎn)實(shí)驗(yàn)室，北京 100142）

0 引言

放療在惡性腫瘤的治療中發(fā)揮著重要作用，危及器官（organ at risk，OAR）界定是保證放療精度和效率的關(guān)鍵環(huán)節(jié)[1-2]。宮頸癌具有靶區(qū)較長(zhǎng)、OAR較多的特點(diǎn)，通常需要花費(fèi)臨床醫(yī)生30 min左右的時(shí)間完成勾畫(huà)工作，且不同級(jí)別的醫(yī)生之間勾畫(huà)質(zhì)量參差不齊[3]。為了提高勾畫(huà)效率和質(zhì)量，自動(dòng)勾畫(huà)工具逐漸出現(xiàn)。Pekar等[4]首先提出了基于CT圖像的盆部器官（膀胱、股骨頭和直腸）的自動(dòng)勾畫(huà)方法。自動(dòng)勾畫(huà)作為人工勾畫(huà)的輔助，在一定程度上減輕了相關(guān)范疇的臨床壓力，提高了勾畫(huà)效率并實(shí)現(xiàn)了同質(zhì)化放療[5]。近幾年，人工智能在自動(dòng)勾畫(huà)方面有較多的研究，已有研究表明，通過(guò)深度學(xué)習(xí)的方法自動(dòng)勾畫(huà)CT圖像的靶區(qū)和感興趣區(qū)已取得令人滿意的結(jié)果[6-7]。

由于盆腔軟組織結(jié)構(gòu)較多，基于CT圖像的自動(dòng)勾畫(huà)方法會(huì)在一定程度上丟失部分邊界信息，而MRI可有效提高邊界信息的辨識(shí)度[8]?；贛RI圖像勾畫(huà)OAR可在很大程度上降低正常組織的受照劑量[9-10]，因此，臨床實(shí)踐中常采用CT和MRI圖像融合的方式完成靶區(qū)和OAR的勾畫(huà)工作。目前，大部分自動(dòng)勾畫(huà)工具僅支持CT圖像，基于MRI圖像的研究較少，僅Betrouni等[11]提出的種子區(qū)域生長(zhǎng)算法實(shí)現(xiàn)了MRI圖像上部分OAR的自動(dòng)勾畫(huà)?，F(xiàn)有模型訓(xùn)練方法均需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)于單一病種較少的放療中心不太適用，限制了自動(dòng)勾畫(huà)技術(shù)的推廣應(yīng)用。Manteia公司的2款軟件——小樣本模型訓(xùn)練軟件（AccuLearning）和自動(dòng)勾畫(huà)軟件（AccuContour）支持CT和MRI 2種模態(tài)圖像進(jìn)行建模和自動(dòng)勾畫(huà)。AccuLearning通過(guò)將復(fù)雜的模型訓(xùn)練組件（如平衡的窗口采樣策略、基于梯度的神經(jīng)網(wǎng)絡(luò)算子加權(quán)以及輪廓曲率約束等）集成到自動(dòng)化的流程中，簡(jiǎn)化了模型構(gòu)建的工作流程，并可提供易于使用的圖形界面與最終用戶交互。AccuContour是一種結(jié)合深度學(xué)習(xí)和傳統(tǒng)算法模型來(lái)實(shí)現(xiàn)自動(dòng)勾畫(huà)的工作站，通過(guò)收集及標(biāo)注數(shù)據(jù)和使用定制化訓(xùn)練的模型、預(yù)測(cè)模型產(chǎn)生結(jié)果。

本研究利用AccuLearning和AccuContour 2款軟件在小樣本宮頸癌病例的MRI圖像上進(jìn)行模型訓(xùn)練和自動(dòng)勾畫(huà)的可行性及準(zhǔn)確性研究，為相關(guān)領(lǐng)域的研究提供方法和數(shù)據(jù)支持。

1 資料與方法

1.1 模型訓(xùn)練和自動(dòng)勾畫(huà)軟件

本研究采用的模型訓(xùn)練軟件為AccuLearning，具有小樣本訓(xùn)練（30例即可）、無(wú)代碼操作、精度和兼容性較好等特點(diǎn)。AccuLearning也提供了許多工具來(lái)幫助數(shù)據(jù)準(zhǔn)備和模型訓(xùn)練，包括感興趣區(qū)相似度命名排序、標(biāo)簽質(zhì)量評(píng)估、3D差異對(duì)比等。

自動(dòng)勾畫(huà)利用AccuContour 3.0智能放療圖像工作站進(jìn)行。AccuContour工作站具有自動(dòng)勾畫(huà)（CT/MRI圖像）快速精準(zhǔn)、多模態(tài)圖像配準(zhǔn)融合、劑量疊加、自動(dòng)評(píng)估勾畫(huà)質(zhì)量以及影像組學(xué)分析等功能，可為放療多模態(tài)影像管理和臨床決策提供多項(xiàng)支持方案。

1.2 病例選擇及OAR勾畫(huà)

1.2.1 病例選擇

回顧性選取2019—2020年北京大學(xué)腫瘤醫(yī)院放療科的宮頸癌放療患者。納入標(biāo)準(zhǔn)：（1）依據(jù)國(guó)際婦產(chǎn)科聯(lián)盟的臨床分期標(biāo)準(zhǔn)，臨床分期為Ⅰ～Ⅳ期；（2）具備MRI定位圖像。排除標(biāo)準(zhǔn)：（1）結(jié)直腸內(nèi)容物過(guò)多（如氣體、食物殘?jiān)?；?）特殊病例（如轉(zhuǎn)移性宮頸癌）。符合入組標(biāo)準(zhǔn)的共40例，年齡分布為18～70歲，中位年齡49歲。

所有患者均采用西門(mén)子公司的3.0T MRI掃描T2WI圖像，層厚為4 mm。為保證勾畫(huà)的一致性，所有病例的OAR（包括膀胱、雙側(cè)股骨頭、直腸和乙狀結(jié)腸）均由同一高年資醫(yī)師在瓦里安治療計(jì)劃系統(tǒng)Eclipse（V15.5）中完成勾畫(huà)，作為模型訓(xùn)練的病例數(shù)據(jù)和自動(dòng)勾畫(huà)結(jié)果的參考。

1.2.2 OAR勾畫(huà)規(guī)則

膀胱結(jié)構(gòu)包括全部?jī)?nèi)容物；股骨頭結(jié)構(gòu)范圍上端至髖臼關(guān)節(jié)，下端包含股骨頸；直腸結(jié)構(gòu)上端為第三骶骨平面與乙狀結(jié)腸交界處，下端到肛管交界處（即直腸線）；乙狀結(jié)腸上端為左髂嵴平面與降結(jié)腸相連，下端至第三骶椎平面與直腸相接。醫(yī)師按照上述范圍在MRI圖像上勾畫(huà)OAR。

1.3 自動(dòng)勾畫(huà)的模型訓(xùn)練與應(yīng)用

隨機(jī)選取30例患者的MRI圖像在AccuLearning中進(jìn)行自動(dòng)勾畫(huà)模型訓(xùn)練，系統(tǒng)按照8∶1∶1的比例隨機(jī)選擇數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)，對(duì)應(yīng)病例數(shù)分別為24、3、3。訓(xùn)練結(jié)構(gòu)包括膀胱、雙側(cè)股骨頭、直腸和乙狀結(jié)腸，訓(xùn)練參數(shù)為軟件推薦模式，具體如下：

（1）模型結(jié)構(gòu)（Mode）：unet_2d。

總體來(lái)說(shuō)，在水利工程的施工建設(shè)過(guò)程中，導(dǎo)致出現(xiàn)堤壩滲漏問(wèn)題的直接因素與間接因素很多，雖然長(zhǎng)期以來(lái)這些問(wèn)題一直存在，但卻需要我們慎重對(duì)待，不僅要對(duì)防滲漏問(wèn)題予以高度的重視，而且還應(yīng)加大力度改進(jìn)加固技術(shù)。在施工過(guò)程中，還要注重結(jié)合工程具體情況，使其既能制定出具有針對(duì)性的解決方案，同時(shí)還能確保方案的有效落實(shí)與執(zhí)行，務(wù)必在保證施工質(zhì)量得以全面優(yōu)化控制下，使水利工程堤壩防滲加固工作得以切實(shí)有效地開(kāi)展。

（2）批量大小（batch_size）：16，為一次迭代中使用的樣本數(shù)，batch_size越大，表示當(dāng)前批次的數(shù)據(jù)分布越接近總體的數(shù)據(jù)集分布，模型會(huì)朝著一個(gè)較為穩(wěn)定的方向擬合。

（3）窗口采樣方式（Sampling）：label_balanced，根據(jù)訓(xùn)練目標(biāo)感興趣區(qū)的體積來(lái)決定采樣頻率，即先隨機(jī)選取特定輪廓內(nèi)的任意一點(diǎn)x′，根據(jù)像素間的歐氏距離生成歸一化的高斯分布的概率圖，即

式中，xk，j為像素點(diǎn)的坐標(biāo)；Ω?R2，表示當(dāng)前的圖像域；σ為方差（默認(rèn)為1）；‖*‖表示二范數(shù)；f（xk，j）表示該像素點(diǎn)在此次采樣中被選中的概率。根據(jù)概率圖進(jìn)行采樣并得到點(diǎn)坐標(biāo)作為采樣窗口中心點(diǎn)，再進(jìn)行窗口采樣，這樣可以提升正樣本的采樣頻率，同時(shí)保留一定的負(fù)樣本。

（4）學(xué)習(xí)率（LearningRate）：0.000 3，經(jīng)驗(yàn)性數(shù)值，取值范圍是0.000 1～0.000 3，過(guò)大會(huì)導(dǎo)致模型強(qiáng)烈振蕩，無(wú)法收斂到局部極值；過(guò)小會(huì)導(dǎo)致模型無(wú)法在規(guī)定時(shí)間內(nèi)收斂。

（5）損失函數(shù)（LossFunction）：平均相似性系數(shù)（Dice），適合絕大部分?jǐn)?shù)據(jù)集。

（6）訓(xùn)練輪次（MaxmumEpochs）：150，經(jīng)驗(yàn)性數(shù)值。

將訓(xùn)練好的勾畫(huà)模型和其余10例患者的MRI圖像導(dǎo)入AccuContour并完成OAR自動(dòng)勾畫(huà)。以手動(dòng)勾畫(huà)為參考，統(tǒng)計(jì)評(píng)估指標(biāo)，分析模型訓(xùn)練軟件和自動(dòng)勾畫(huà)軟件的應(yīng)用價(jià)值。

1.4 評(píng)估指標(biāo)

式中，A為手動(dòng)勾畫(huà)的結(jié)構(gòu)；B為利用模型自動(dòng)勾畫(huà)的結(jié)構(gòu)；A∩B為2個(gè)結(jié)構(gòu)的交集；A∪B為2個(gè)結(jié)構(gòu)的并集。Dice值的范圍為0～1，越接近1表明2個(gè)結(jié)構(gòu)的相似性越高。

OI值代表2個(gè)結(jié)構(gòu)的交叉程度[13]，計(jì)算公式如下：

OI值的范圍為0～1，OI值越大表示2個(gè)結(jié)構(gòu)的交叉區(qū)域越多。

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 25.0軟件對(duì)參數(shù)進(jìn)行分析。若結(jié)果符合正態(tài)分布，采用配對(duì)樣本t檢驗(yàn)，反之則采用非參數(shù)檢驗(yàn)（Wilcoxcon檢驗(yàn)）。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 模型訓(xùn)練結(jié)果

按建模時(shí)的病例分配規(guī)則，30例數(shù)據(jù)中有3例是測(cè)試病例，訓(xùn)練模型的綜合Dice值為0.80，各測(cè)試病例的Dice值分別為0.87、0.78和0.75，均大于0.70，因此認(rèn)為訓(xùn)練結(jié)果較好，可用于下一步的自動(dòng)勾畫(huà)。

2.2 自動(dòng)勾畫(huà)驗(yàn)證結(jié)果

利用訓(xùn)練好的模型勾畫(huà)宮頸癌患者M(jìn)RI圖像的OAR，與手動(dòng)勾畫(huà)的結(jié)果進(jìn)行比較并計(jì)算Dice值，結(jié)果如圖1所示。從圖1可以看出，10例患者的膀胱（Dice值為0.91±0.07）和雙側(cè)股骨頭（左側(cè)Dice值為0.94±0.02，右側(cè)Dice值為0.91±0.04）的自動(dòng)勾畫(huà)效果較好；直腸的Dice值為0.80±0.07，勾畫(huà)結(jié)果基本滿足臨床要求；乙狀結(jié)腸的自動(dòng)勾畫(huà)效果較差（Dice值為0.47±0.14），可能與乙狀結(jié)腸位置變化較大有關(guān)。

圖1 10例患者自動(dòng)勾畫(huà)與手勾畫(huà)OAR的Dice值

自動(dòng)與手動(dòng)勾畫(huà)膀胱、左側(cè)股骨頭、右側(cè)股骨頭、直腸、乙狀結(jié)腸的OI值分別為0.96±0.03、0.99±0.01、0.99±0.01、0.97±0.03、0.93±0.05，數(shù)據(jù)分布如圖2所示。各OAR的OI均值大于0.90，說(shuō)明自動(dòng)與手動(dòng)勾畫(huà)結(jié)構(gòu)的交疊部分較多。僅乙狀結(jié)腸的OI值波動(dòng)較大，原因與Dice值情況相似。

圖2 10例患者自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR的OI值

自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR的絕對(duì)體積差異見(jiàn)表1。膀胱和乙狀結(jié)腸的自動(dòng)勾畫(huà)絕對(duì)體積大于手動(dòng)勾畫(huà)，雙側(cè)股骨頭和直腸的自動(dòng)勾畫(huà)絕對(duì)體積小于手動(dòng)勾畫(huà)。除右側(cè)股骨頭的自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)絕對(duì)體積差異有統(tǒng)計(jì)學(xué)意義外，其他OAR差異均無(wú)統(tǒng)計(jì)學(xué)意義，表明自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR的絕對(duì)體積基本一致，差異較小。

表1 自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR的絕對(duì)體積差異

3 討論

目前研究中，盆腔結(jié)構(gòu)的自動(dòng)勾畫(huà)大多基于CT圖像，但是CT圖像只對(duì)高密度組織顯像清楚（如骨、軟骨），在腫瘤和正常軟組織的邊界方面辨識(shí)能力較差，而MRI圖像良好的對(duì)比度對(duì)于盆腔腫瘤OAR的勾畫(huà)具有較大價(jià)值[14-15]。

本研究對(duì)Manteia公司的模型訓(xùn)練軟件和自動(dòng)勾畫(huà)軟件進(jìn)行了臨床測(cè)試。30例MRI圖像（含OAR）的模型訓(xùn)練結(jié)果顯示，模型的綜合Dice值較高，均大于文獻(xiàn)[16]中的指標(biāo)（0.70），基本滿足臨床要求。值得注意的是，乙狀結(jié)腸的平均Dice值只有0.65，可能的原因有2個(gè)：一是腸道充盈和蠕動(dòng)導(dǎo)致腸道位置變化較大；二是子宮或附件在手術(shù)切除后導(dǎo)致組織結(jié)構(gòu)改變，腸道的活動(dòng)范圍增大。

將除建模外的10例宮頸癌患者的MRI圖像作為測(cè)試病例，均在1 min內(nèi)完成勾畫(huà)，與手動(dòng)勾畫(huà)相比，10個(gè)病例OAR的平均OI值均大于0.90，滿足臨床要求，僅乙狀結(jié)腸的波動(dòng)相對(duì)其他結(jié)構(gòu)較大。其中膀胱和雙側(cè)股骨頭的平均Dice值都大于0.90，直腸為0.80，表明自動(dòng)勾畫(huà)效果較好，與之前的研究結(jié)果基本一致[4，17]。乙狀結(jié)腸的勾畫(huà)結(jié)果稍差，可能原因是模型訓(xùn)練的結(jié)果不理想以及個(gè)體差異較大，與陳開(kāi)強(qiáng)等[18]和崔志強(qiáng)[19]的研究一致，臨床上需要根據(jù)個(gè)體差異進(jìn)行手動(dòng)修改。

本文對(duì)自動(dòng)勾畫(huà)和手動(dòng)勾畫(huà)OAR的絕對(duì)體積差異進(jìn)行了對(duì)比分析，結(jié)果顯示雙側(cè)股骨頭和直腸的絕對(duì)體積差異較小，更接近手動(dòng)勾畫(huà)絕對(duì)體積，這與股骨頭位置穩(wěn)定以及MRI掃描前排空大便有關(guān)。乙狀結(jié)腸絕對(duì)體積差異的均值為10.30 mm3，出現(xiàn)該現(xiàn)象的原因與模型訓(xùn)練效果不理想的原因一致。膀胱的絕對(duì)體積差異均值為13.07 cm3，可能與建模時(shí)不同患者的膀胱容量存在差異有關(guān)[20]。

本研究中的OAR僅包括膀胱、雙側(cè)股骨頭、直腸以及乙狀結(jié)腸，有些靶區(qū)長(zhǎng)度較長(zhǎng)，OAR還涉及雙腎，臨床采用自動(dòng)勾畫(huà)時(shí)還需要加入新患者用于建模或者重新建模。還需要解決由于MRI和CT的配準(zhǔn)導(dǎo)致的圖像旋轉(zhuǎn)問(wèn)題，以保證OAR能準(zhǔn)確地復(fù)制到CT圖像上，這也是下一步的研究?jī)?nèi)容。

本研究首先基于AccuLearning進(jìn)行小樣本勾畫(huà)模型的訓(xùn)練，模型的綜合Dice值和測(cè)試病例的平均Dice值均大于0.70，表明小樣本模型訓(xùn)練合格。將訓(xùn)練模型導(dǎo)入AccuContour中并進(jìn)行自動(dòng)勾畫(huà)，相對(duì)于手動(dòng)勾畫(huà)，自動(dòng)勾畫(huà)可以在1 min內(nèi)完成，膀胱、雙側(cè)股骨頭和直腸的勾畫(huà)效果好，絕對(duì)體積差異較小；乙狀結(jié)腸稍差，需要臨床手動(dòng)修改。上述結(jié)果表明，基于AccuLearning的小樣本訓(xùn)練模型訓(xùn)練效果較好，基于小樣本訓(xùn)練模型采用AccuContour進(jìn)行自動(dòng)勾畫(huà)宮頸癌OAR具有可行性，可以提高宮頸癌OAR勾畫(huà)的質(zhì)量和效率。