腫瘤放療中自動(dòng)勾畫(huà)技術(shù)危及器官的研究進(jìn)展

李陸軍

（梧州市紅十字會(huì)醫(yī)院放療技術(shù)區(qū) 廣西 梧州 543000）

調(diào)強(qiáng)和容積調(diào)強(qiáng)放療技術(shù)在腫瘤治療方面的應(yīng)用越來(lái)越廣泛。為提高腫瘤局部控制率、降低正常組織并發(fā)癥發(fā)生概率，不但需精確勾畫(huà)出腫瘤靶區(qū)所在的位置，而且腫瘤周?chē)＜捌鞴伲╫rgan at risk, OAR）的準(zhǔn)確勾畫(huà)也非常重要。但勾畫(huà)0AR 這種簡(jiǎn)單重復(fù)的工作既繁瑣又費(fèi)時(shí)，為減輕醫(yī)生的工作負(fù)擔(dān)、提高工作效率，自動(dòng)勾畫(huà)技術(shù)應(yīng)運(yùn)而生。目前，自動(dòng)勾畫(huà)方法有兩種，一種是基于圖譜庫(kù)方法，需要構(gòu)建患者圖譜數(shù)據(jù)庫(kù)，然后通過(guò)剛性或非剛性配準(zhǔn)方法將模板中的OAR 映射到新的CT 圖像上實(shí)現(xiàn)自動(dòng)勾畫(huà)；另一種基于深度學(xué)習(xí)方法，是通過(guò)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，運(yùn)用標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，然后通過(guò)算法邏輯實(shí)現(xiàn)自動(dòng)勾畫(huà)。本文就這兩種自動(dòng)勾畫(huà)方法在身體各部位器官的應(yīng)用研究作一綜述。

1.頭頸部危及器官勾畫(huà)

頭頸部骨性結(jié)構(gòu)較多，正常組織移動(dòng)度小、位置相對(duì)固定，這對(duì)勾畫(huà)有一定的幫助。但是小體積的危及器官相對(duì)較多，如晶體、視神經(jīng)、視交叉、垂體等，臨床確保準(zhǔn)確勾畫(huà)對(duì)兩種勾畫(huà)方法都是一種挑戰(zhàn)。彭應(yīng)林等應(yīng)用基于圖譜庫(kù)自動(dòng)勾畫(huà)的ABAS 軟件對(duì)鼻咽癌放療計(jì)劃的危及器官進(jìn)行勾畫(huà)測(cè)試，結(jié)果顯示OAR 體積越大，勾畫(huà)對(duì)模板的還原能力越強(qiáng)，對(duì)較小體積的OAR 自動(dòng)勾畫(huà)對(duì)模板的還原有很大的偏差。圖譜庫(kù)方法需要選取一部分病例數(shù)據(jù)作為模板，然后通過(guò)模板CT 圖像與待勾畫(huà)的CT 圖像進(jìn)行匹配，將外輪廓匹配程度高的模板CT 圖像上勾畫(huà)好的OAR 映射到待勾畫(huà)的CT 圖像上。模板庫(kù)的病例數(shù)據(jù)越多，勾畫(huà)的效果會(huì)越好。但外輪廓相似度高并不代表OAR 的輪廓位置就會(huì)一樣，圖譜庫(kù)勾畫(huà)方法不具備識(shí)別OAR 輪廓邊緣的能力。對(duì)于體積大的器官，由于在CT 圖像上分布的層數(shù)多，絕大部分體積能匹配上；但對(duì)于小體積的器官，如垂體、視交叉、視神經(jīng)、晶體等，則很難準(zhǔn)確的映射到待勾畫(huà)圖像上。陰曉娟等研究同樣指出，對(duì)于小體積器官，如視神經(jīng)、視交叉等，不建議使用基于圖譜庫(kù)方法進(jìn)行自動(dòng)勾畫(huà)。其他文獻(xiàn)也報(bào)道了與上述研究相似的結(jié)論。

基于深度學(xué)習(xí)方法自動(dòng)勾畫(huà)方面，吳哲等使用基于深度學(xué)習(xí)方法的AccuContour 軟件對(duì)鼻咽癌放療OAR進(jìn)行勾畫(huà)研究顯示，小體積的OAR 體積差異較大，但位置差異較小，大體積的OAR 重合性和相似性較大。李華玲等報(bào)道了AccuContour 自動(dòng)勾畫(huà)軟件對(duì)小體積器官勾畫(huà)準(zhǔn)確度有所欠缺?；?D U-NET 神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型由于深度擴(kuò)張深度卷積神經(jīng)網(wǎng)絡(luò)（deep dilated convolutional neural network, DDCNN）結(jié)構(gòu)中存在多次的卷積及池化過(guò)程，因此易引起小體積危及器官信息的丟失。這說(shuō)明，不管是基于圖譜庫(kù)方法，還是基于深度學(xué)習(xí)方法的自動(dòng)勾畫(huà)技術(shù)，雖然技術(shù)路線不一樣、導(dǎo)致勾畫(huà)不準(zhǔn)確的原因不一樣，但在小體積的OAR 勾畫(huà)結(jié)果有較大的偏差。張書(shū)銘等的研究結(jié)果顯示，利用深度學(xué)習(xí)方法的自動(dòng)勾畫(huà)結(jié)果較準(zhǔn)確。由此說(shuō)明，基于深度學(xué)習(xí)的方法能夠更準(zhǔn)確的勾畫(huà)各個(gè)OAR。

2.胸部危及器官勾畫(huà)

胸部肺組織占據(jù)了胸腔的大部分體積，且組織密度低，在CT 影像下其與周?chē)M織對(duì)比度高、邊界清晰容易被識(shí)別，勾畫(huà)相對(duì)容易。心臟與肺相鄰，勾畫(huà)也相對(duì)容易。高文超等應(yīng)用基于深度學(xué)習(xí)的RT-Mind 軟件對(duì)胸部OAR 進(jìn)行自動(dòng)勾畫(huà)的研究顯示，雙肺勾畫(huà)效果最好，心臟次之，最后是健側(cè)乳腺，OAR 邊緣勾畫(huà)的準(zhǔn)確性與邊緣對(duì)比度相關(guān)。王沛沛等基于人工智能的胸部OAR 自動(dòng)勾畫(huà)結(jié)果顯示，雙肺的形狀相似性指數(shù)（dice similarity coefficient, DSC）可以高達(dá)（0.98±0.01）、Jaccard 系數(shù)（Jaccard index, JAC）雙肺的均值≥0.95，脊髓、心臟的自動(dòng)勾畫(huà)結(jié)果次之。由此說(shuō)明，基于深度學(xué)習(xí)的人工智能自動(dòng)勾畫(huà)技術(shù)能夠達(dá)到較高的準(zhǔn)確性和精確度。

基于圖譜庫(kù)方法的自動(dòng)勾畫(huà)研究方面，余元祥等研究指出，邊界清晰或經(jīng)血管增強(qiáng)后顯影清晰的大體積器官（如雙肺、心臟、主動(dòng)脈及脊髓）的自動(dòng)勾畫(huà)效果較優(yōu)，而形狀變異大、組織對(duì)比度欠佳的結(jié)構(gòu)（如肺支氣管樹(shù)、臂叢、上腔靜脈及食管）尚無(wú)法滿足臨床需要。由此說(shuō)明，邊緣對(duì)比度高、邊界清晰的OAR，基于圖譜庫(kù)的勾畫(huà)方法與基于深度學(xué)習(xí)的勾畫(huà)方法均能得到較好的效果?；趫D譜庫(kù)方法自動(dòng)勾畫(huà)的另一項(xiàng)研究顯示，單模板和多模板2 種自動(dòng)勾畫(huà)方式得到的總體OAR 的平均DSC 值分別為（0.82±0.17）和（0.92±0.05），兩組差異有統(tǒng)計(jì)學(xué)意義。自動(dòng)勾畫(huà)的形狀一致性與OAR體積大小正相關(guān)，對(duì)于體積較小的脊髓，多模板優(yōu)于單模板。圖譜庫(kù)的樣本量越大與待勾畫(huà)的新CT 圖像匹配程度越高，勾畫(huà)的效果更好。這與深度學(xué)習(xí)方法相似，給機(jī)器學(xué)習(xí)的樣本量越大學(xué)習(xí)效果越好。但在樣本數(shù)量相同的情況下，基于深度學(xué)習(xí)自動(dòng)勾畫(huà)方法的準(zhǔn)確性高于圖譜庫(kù)方法。

3.腹部盆腔危及器官勾畫(huà)

腹部和盆腔的危及器官移動(dòng)度大，如腸道組織、膀胱等其形狀和位置極易發(fā)生變化，充盈程度不同形狀不同，固定體位不同其位置差別也非常大，即使是同一固定體位在不同的時(shí)間位置也會(huì)發(fā)生變化。所以對(duì)于腹部和盆腔的OAR 自動(dòng)勾畫(huà)還是很有挑戰(zhàn)的，為此有不少的研究者提出了很多不同的方法以提高自動(dòng)勾畫(huà)的準(zhǔn)確度。

基于圖譜庫(kù)方面，王金媛等應(yīng)用MIM-Maestro 軟件（Verision 6.6.5）建立宮頸癌Atlas 圖譜庫(kù)，圖譜庫(kù)中包含模板病例60 例，分別應(yīng)用多數(shù)投票法及STAPLE算法，選擇1、3、5、7、9 個(gè)勾畫(huà)匹配數(shù)對(duì)另外10 例目標(biāo)CT 圖像進(jìn)行OAR 自動(dòng)勾畫(huà)并分別計(jì)時(shí)，結(jié)果顯示勾畫(huà)時(shí)間隨匹配數(shù)目增大呈線性增加，與勾畫(huà)算法無(wú)關(guān)，多數(shù)投票法和STAPLE 算法勾畫(huà)結(jié)果均顯示匹配數(shù)為1 時(shí)膀胱的敏感性指數(shù)和左股骨頭的DSC、豪斯多夫距離、JAC與匹配數(shù)為3、5、7、9 時(shí)差異有統(tǒng)計(jì)學(xué)意義，說(shuō)明匹配數(shù)多其勾畫(huà)效果會(huì)更好。另一項(xiàng)探討和評(píng)價(jià)圖譜庫(kù)入庫(kù)病例數(shù)對(duì)自動(dòng)勾畫(huà)結(jié)果影響的研究顯示，30 例圖譜庫(kù)勾畫(huà)的整體效果較差、60 例以上的圖譜庫(kù)略有優(yōu)勢(shì)，提高了膀胱、直腸勾畫(huà)的準(zhǔn)確性。

基于深度學(xué)習(xí)方面，Wang 等為解決盆腔器官形狀差異大，腸道氣體和標(biāo)記物造成的不確定性等問(wèn)題，使用具有邊界敏感表示的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)合多標(biāo)簽交叉熵?fù)p失函數(shù)來(lái)自動(dòng)勾畫(huà)313 例前列腺癌患者CT 圖像，前列腺、膀胱和直腸的勾畫(huà)DSC 分別為（0.89±0.03）、（0.94±0.03）、（0.89±0.04），勾畫(huà)結(jié)果還是不錯(cuò)的。Men 等使用DDCNN 自動(dòng)勾畫(huà)直腸癌患者的臨床靶區(qū)和OAR，為了區(qū)分CT 圖像中具有相似灰度值、形狀和紋理的組織，使用對(duì)比度限制的自適應(yīng)直方圖算法對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理以增強(qiáng)圖像，自動(dòng)勾畫(huà)臨床靶區(qū)、膀胱、左股骨頭、右股骨頭、腸和結(jié)腸，DSC 結(jié)果分別為0.877、0.934、0.921、0.923、0.653 和0.618，均優(yōu)于U 型網(wǎng)絡(luò)（U-net）的0.819、0.912、0.896、0.892、0.576 和0.605。不過(guò)從其DSC 數(shù)據(jù)看，腸和結(jié)腸的勾畫(huà)效果不是很理想。Kazemifar 等設(shè)計(jì)了1 個(gè)2D U-net 模型，使用具有可變內(nèi)核、通道號(hào)和激活函數(shù)的卷積塊，通過(guò)直接學(xué)習(xí)“CT 圖像灰度—相應(yīng)的OAR 輪廓”的映射函數(shù)，實(shí)現(xiàn)準(zhǔn)確自動(dòng)勾畫(huà)，用DSC 評(píng)估CT 圖像中前列腺、膀胱和直腸的自動(dòng)勾畫(huà)準(zhǔn)確性，結(jié)果分別為（0.88±0.12）、（0.95±0.04）和（0.92±0.06），表明U-net 網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)優(yōu)化也可改善靶區(qū)與周?chē)＝M織之間的自動(dòng)勾畫(huà)。

4.小結(jié)與展望

基于圖譜庫(kù)自動(dòng)勾畫(huà)技術(shù)和基于深度學(xué)習(xí)自動(dòng)勾畫(huà)技術(shù)在危及器官自動(dòng)勾畫(huà)方面的應(yīng)用研究表明，在移動(dòng)度小位置相對(duì)固定、邊緣對(duì)比度高且體積較大的OAR 均能達(dá)到比較滿意的勾畫(huà)效果，醫(yī)生只需簡(jiǎn)單的修改就能應(yīng)用于臨床放療計(jì)劃的設(shè)計(jì)中，極大的減輕了醫(yī)生的工作負(fù)擔(dān)，提高了工作效率。但基于圖譜庫(kù)的自動(dòng)勾畫(huà)技術(shù)不具備識(shí)別OAR 邊緣的能力，采用匹配融合后再映射的方法準(zhǔn)確度較差，其應(yīng)用發(fā)展前景相較于深度學(xué)習(xí)自動(dòng)勾畫(huà)技術(shù)有所欠缺。雖然目前基于深度學(xué)習(xí)的自動(dòng)勾畫(huà)技術(shù)還未能完全準(zhǔn)確的完成勾畫(huà)，但隨著人工智能的發(fā)展，自動(dòng)勾畫(huà)算法不斷進(jìn)步、計(jì)算機(jī)學(xué)習(xí)能力不斷提升，危及器官的自動(dòng)勾畫(huà)準(zhǔn)確率將會(huì)不斷上升，以達(dá)到不用醫(yī)生修改就能直接應(yīng)用于臨床的境界。