AccuContour軟件在乳腺癌靶區(qū)和危及器官自動勾畫中的研究

龔筱欽，陳飛，胡靜，游濤，張開軍，戴春華，朱雅群

1. 蘇州大學(xué)附屬第二醫(yī)院 放療科，江蘇 蘇州 215000；2. 江蘇大學(xué)附屬醫(yī)院 放療科，江蘇 鎮(zhèn)江 212000

引言

乳腺癌是女性最常見的惡性腫瘤之一，其發(fā)病率和死亡率在女性惡性腫瘤中占據(jù)首位，且發(fā)病人群日趨年輕化[1]。早期乳腺癌患者行保乳術(shù)后聯(lián)合放射治療對提高患者生存率有重要作用[2]。放射治療中腫瘤靶區(qū)及危及器官的勾畫是較為關(guān)鍵的一步，是實(shí)現(xiàn)精準(zhǔn)放療的必要前提[3]。臨床上如何更快速、準(zhǔn)確地勾畫靶區(qū)及危及器官一直是研究的熱點(diǎn)。近年來，深度學(xué)習(xí)自動勾畫軟件被應(yīng)用于臨床，但其勾畫結(jié)果因軟件不同存在一定的差異性，且有研究表明，基于軟件原有的自動勾畫模型對臨床靶區(qū)的勾畫效果并不理想[4-5]。

目前關(guān)于AccuContour（AC）軟件學(xué)習(xí)后重新建模，應(yīng)用于乳腺癌臨床靶區(qū)（Clinical Target Volume，CTV）和危及器官（Organs At Risk，OARs）自動勾畫的相關(guān)報(bào)道較少，且相關(guān)研究大多只評價(jià)軟件原有模型自動勾畫的效果。本研究基于此軟件，探討其在右側(cè)乳腺癌保乳術(shù)后患者CTV 及OARs 自動勾畫中的可行性，同時(shí)考慮到軟件原有模型的訓(xùn)練數(shù)據(jù)來源不同可能造成的誤差，本研究納入我院60 例早期乳腺癌保乳患者的數(shù)據(jù)，利用軟件的深度學(xué)習(xí)功能，生成全新的自動勾畫模型（Mode-ST），并與軟件原有模型（Model-AC）相比較，以期獲得更優(yōu)的自動勾畫效果并為應(yīng)用于臨床放療工作提供依據(jù)。

1 材料與方法

1.1 一般資料

回顧性選取2016 年3 月至2021 年6 月在我院放療科接受放射治療的早期右側(cè)乳腺癌保乳術(shù)后患者的CT 影像資料。

納入標(biāo)準(zhǔn)：① 早期右側(cè)乳腺癌保乳術(shù)后患者，臨床分期為T1-2N0M0，腋窩無腫大淋巴結(jié)，無鎖骨上淋巴結(jié)預(yù)防；② 無其他全身性疾病。最終入選患者60 例，年齡為29～68歲，中位值43.5 歲；體質(zhì)量指數(shù)（Body Mass Index，BMI）中位值為21；CTV 中位值為541 cm2；本研究已經(jīng)過江蘇大學(xué)附屬醫(yī)院科研倫理委員會審核通過（KY2021K0901）。

1.2 CT掃描

60 例患者均采用仰臥位真空墊固定體位，同時(shí)患者雙手抱肘置于額頭，使用飛利浦16 排大孔徑CT 機(jī)進(jìn)行放療定位，且每例患者均注射碘海醇造影劑。掃描范圍：下頜至肝臟下緣，掃描層厚為3 mm，層間距3 mm。將掃描采集的60 例CT 圖像通過DICOM 上傳至Eclipse 治療計(jì)劃軟件，由一位放療科醫(yī)師手動勾畫CTV 和OARs，并由一位主任醫(yī)師審核，其手動勾畫被認(rèn)為是“金標(biāo)準(zhǔn)”。

（1）所有患者采用勾畫原則如下。CTV 上界：鎖骨頭下及第二肋交界處；下界：乳腺下緣，已無乳腺組織處；內(nèi)界：胸骨柄邊緣，但不要超過胸骨中線；外側(cè)界：腋中線水平，但要考慮乳腺下垂的程度；前界：皮膚組織下5 mm；后界：胸大肌或胸壁肌肉，但不包括這些肌肉或肋骨。

（2）OARs 的勾畫標(biāo)準(zhǔn)如下。雙側(cè)肺：勾畫時(shí)用肺窗，包括所有膨脹的、塌陷的、纖維化的、氣腫的肺組織，但不包含肺門、氣管和主支氣管；肝臟：避開膽囊、肝門；心臟：肺動脈干分叉下一層開始勾畫，止于橫膈膈頂心尖部；健側(cè)乳腺：全部腺體組織；氣管：環(huán)狀軟骨下至器官分叉處，不包含主支氣管；食管：環(huán)狀軟骨下方一直到胃食管結(jié)合部入胃處；脊髓：靶區(qū)上、下各外放3 cm，勾畫脊髓髓質(zhì)部位。

1.3 基于本研究數(shù)據(jù)深度學(xué)習(xí)訓(xùn)練后的全新算法模型自動勾畫乳腺癌CTV及OARs

AC 是一款基于U-Net 全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行醫(yī)學(xué)影像分割的軟件，由Manteia（中國）科技有限公司研發(fā)，其自帶OARs 及腫瘤靶區(qū)自動勾畫模型。Manteia 公司也可訓(xùn)練各中心數(shù)據(jù)生成新的模型導(dǎo)入至AC 軟件中供臨床使用，基于此，本研究選取患者中的40 例數(shù)據(jù)作為訓(xùn)練集，由軟件進(jìn)行深度學(xué)習(xí)形成新的模型，定義為Model-ST；余下20 例作為測試集傳至AC 軟件中，使用生成的Model-ST 模型對乳腺癌CTV 及OARs 進(jìn)行自動勾畫。

1.4 基于AC軟件原有的算法模型自動勾畫乳腺癌CTV和OARs

AC 軟件原有的模型同樣基于U-net 全卷積神經(jīng)網(wǎng)絡(luò)，其是通過公司自有的數(shù)據(jù)深度學(xué)習(xí)訓(xùn)練得到的自動勾畫模型，定義為Model-AC。將上述20 例測試集數(shù)據(jù)再上傳至AC 軟件，由Model-AC 模型再次對乳腺癌CTV 及OARs進(jìn)行自動勾畫。

1.5 評價(jià)指標(biāo)

結(jié)合AC 軟件分析的評價(jià)指標(biāo)，參考醫(yī)學(xué)圖像分割算法的評價(jià)方法[6]，以醫(yī)生手動勾畫的CTV 及OARs 數(shù)據(jù)作為“金標(biāo)準(zhǔn)”，選用戴斯相似系數(shù)（Dice Similarity Coefficient，DSC）、豪斯多夫距離（Hausdorff Distance，HD）、相對體積差值（Relative Volume Difference，RVD）對自動勾畫的準(zhǔn)確性進(jìn)行評估。

（1）DSC：DSC 是一種集合相似度度量指標(biāo)，用于評價(jià)兩組勾畫輪廓相交體積占總面積的比值[7]，其中vA代表手動勾畫輪廓的體積，vB代表自動勾畫輪廓的體積。DSC的大小為0～1，其數(shù)值越接近1 表示相似度越高，表明自動勾畫的精度越高，其計(jì)算公式如式（1）所示。

（2）HD：HD 是描述兩組點(diǎn)集之間相似程度的一種量度[8]，它是兩個(gè)點(diǎn)集之間距離的一種定義形式。A 和B分別表示手動勾畫和自動勾畫的輪廓區(qū)域。a、b 分別表示輪廓線A、B 上的任意一點(diǎn)，HD 值越小表示兩輪廓線的最大歐氏距離越小，表明勾畫相似性越高，其計(jì)算公式如式（2）～（3）所示。

（3）RVD 的差異率：主要用于評價(jià)兩組勾畫體積之間的差異[9]，|A|代表手動勾畫結(jié)果的體積，|B|代表模型自動勾畫結(jié)果的體積，RVD 值越接近0，表明分割結(jié)果越接近“金標(biāo)準(zhǔn)”，其計(jì)算公式如式（4）所示。

1.6 統(tǒng)計(jì)學(xué)分析

采用SPSS 23.0 軟件進(jìn)行統(tǒng)計(jì)學(xué)分析，計(jì)量資料以（±s）表示，對兩組自動勾畫的CTV 及OARs 結(jié)果行配對t檢驗(yàn)，P＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 自動勾畫的參數(shù)評估

表1 總結(jié)了Model-ST 與Model-AC 兩個(gè)模型自動勾畫的結(jié)果。Model-ST 組的CTV 三個(gè)評價(jià)指標(biāo)均優(yōu)于Model-AC 組，其中DSC 值差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05）；Model-ST 組的脊髓DSC 值高于Model-AC 組，HD 和RVD值均低于Model-AC 組，差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05）；Model-ST 組 心 臟 的HD 和RVD 值 低 于Model-AC 組（P＜0.05）；Model-AC 組的雙肺和肝臟DSC 值均≥0.98，自動勾畫具有較高的重復(fù)性，且左肺的HD、RVD 值以及右肺的HD 值均低于Model-ST 組（P＜0.05），這與DSC結(jié)果相對應(yīng)；食管的Model-AC 組DSC 值高于Model-ST組，相對應(yīng)的RVD 值低于Model-ST 組（P＜0.05）；氣管的Model-AC 組RVD 值低于Model-ST 組（P＜0.05）；其余評價(jià)指標(biāo)差異無統(tǒng)計(jì)學(xué)意義（P＞0.05）。

2.2 脊髓參數(shù)評估

在對表1 數(shù)據(jù)進(jìn)行分析發(fā)現(xiàn)，Model-AC 組的脊髓DSC、HD 和RVD 數(shù)值均較異常，經(jīng)逐例測試集逐層檢查后發(fā)現(xiàn)Model-AC 組的脊髓勾畫過長；對比Model-ST組中脊髓勾畫結(jié)果發(fā)現(xiàn)，Model-AC 模型自動勾畫的脊髓上下界有悖于臨床勾畫習(xí)慣，因此手動修改脊髓上下界，保留靶區(qū)及其上、下外放3 cm 的區(qū)域，脊髓修改后的結(jié)果見表2。對比表2 中的脊髓1 數(shù)據(jù)，其DSC 系數(shù)從之前的（0.52±0.19）提高到（0.87±0.03），HD 和RVD 值也均有降低。

表1 Model-ST與Model-AC的CTV和OARs自動勾畫結(jié)果評價(jià)指標(biāo)（±s）

表1 Model-ST與Model-AC的CTV和OARs自動勾畫結(jié)果評價(jià)指標(biāo)（±s）

注：Model-ST：基于本研究訓(xùn)練集數(shù)據(jù)訓(xùn)練得到的自動勾畫模型；Model-AC：軟件原有的自動勾畫模型；CTV：臨床靶區(qū)。

器官DSCHD/mmRVD/%Model-ST Model-AC t值 P值Model-STModel-ACt值P值Model-STModel-ACt值 P值左肺 0.97±0.01 0.99±0.01 -7.52 ＜0.001 1.98±0.850.64±1.116.45 ＜0.0012.66±1.531.32±1.62 4.32 0.002右肺 0.98±0.01 0.99±0.02 -2.96 0.0162.65±0.971.15±1.92 3.29 0.0092.37±1.612.27±2.88 0.16 0.874心臟 0.97±0.01 0.97±0.01 -1.38 0.2022.74±0.665.90±3.26 -3.26 0.0101.64±1.304.59±2.27 -3.65 0.005脊髓 0.81±0.06 0.52±0.19 4.22 0.0026.06±5.67 153.33±97.86 -4.68 0.010 21.67±18.49 59.12±22.28 -3.21 0.011肝臟 0.97±0.01 0.98±0.01 -4.80 0.0014.22±2.265.44±4.71 -1.35 0.2121.22±1.202.32±1.39 -1.73 0.118健側(cè)乳腺 0.88±0.04 0.86±0.05 1.08 0.310 31.72±65.33 12.21±7.48 0.89 0.39614.01±9.79 13.46±10.17 0.10 0.925食管 0.73±0.14 0.89±0.02 -3.39 0.008 40.14±101.26 4.51±5.94 1.12 0.293 55.41±62.51 10.47±6.12 2.29 0.048氣管 0.89±0.02 0.91±0.04 -1.97 0.0803.52±1.553.12±1.25 0.67 0.51813.21±6.67 7.73±4.26 2.45 0.037 CTV 0.92±0.03 0.81±0.04 9.46 ＜0.001 10.29±7.51 59.34±68.26 -2.23 0.0535.50±3.69 16.55±13.94 -2.22 0.053

表2 Model-ST與Model-AC脊髓自動勾畫結(jié)果評價(jià)指標(biāo)（±s）

表2 Model-ST與Model-AC脊髓自動勾畫結(jié)果評價(jià)指標(biāo)（±s）

器官DSCHD/mmRVD/%Model-ST Model-AC t值P值Model-STModel-ACt值P值Model-STModel-ACt值P值脊髓1 0.81±0.06 0.52±0.19 4.22 0.033 6.06±5.67 153.33±97.86 -4.70 0.010 21.67±18.49 59.12±22.28 -3.21 0.040脊髓2 0.81±0.06 0.87±0.03 -2.24 0.052 6.06±5.67 5.74±4.690.13 0.897 21.67±18.49 6.63±4.072.59 0.029

2.3 自動勾畫斷層圖評估

圖1 中a、b 分別展示了CTV、健側(cè)乳腺的勾畫效果。從CT 斷層圖上可以看到，CTV 自動勾畫與醫(yī)生手動勾畫相比，整體的輪廓相似度較高，但在一些不規(guī)則的層面，Model-ST 的自動勾畫輪廓重合度優(yōu)于Model-AC。健側(cè)乳腺的兩組自動勾畫從斷層圖中看不出明顯差異，在界限不清或腺體快消失的幾個(gè)層面的勾畫效果不甚理想。

圖1 CTV和健側(cè)乳腺勾畫的CT斷層示例圖

圖2 中a、b、c、d 分別展示了各OARs 的結(jié)構(gòu)勾畫：兩組自動勾畫在雙側(cè)肺、心臟的輪廓相似度很高，基本不需要手動修改；在肝臟的自動勾畫中，Model-AC 組的輪廓相似度高于Model-ST，兩組均在膽囊、肝門處需手動修改避開；Model-ST 組食管的勾畫在心臟后方、生理狹窄處易斷開。

圖2 各OARs勾畫的CT斷層示例圖

3 討論與總結(jié)

精準(zhǔn)放療時(shí)代，CTV 和OARs 勾畫的精確性是放射治療的前提，是患者獲得最佳療效的根本保障[10]。此前，臨床應(yīng)用比較多的是基于圖譜庫的自動勾畫，其主要是通過形變配準(zhǔn)來實(shí)現(xiàn)的。Schipaanboord 等[11]認(rèn)為在精確圖譜庫選擇下的自動勾畫對部分OARs 能達(dá)到臨床應(yīng)用的期望，而對界限不清的乳腺組織、氣管、食管等OARs 則不能合理地完成自動勾畫。近幾年隨著人工智能的不斷發(fā)展，深度學(xué)習(xí)自動勾畫在放療領(lǐng)域引起了很高的關(guān)注度，關(guān)于自動勾畫的相關(guān)研究從基于圖譜庫的自動分割轉(zhuǎn)向了深度學(xué)習(xí)的自動分割[12]。AC 軟件自帶基于U-net 全卷積神經(jīng)網(wǎng)絡(luò)，可通過深度學(xué)習(xí)進(jìn)行自動勾畫的平臺。近年來該軟件已陸續(xù)投入三級醫(yī)院使用，一些研究也在嘗試驗(yàn)證其自動勾畫的精準(zhǔn)度和準(zhǔn)確性。目前國內(nèi)關(guān)于該軟件研究較多的是頭頸部、胸部以及腹部OARs 的自動勾畫效果比較，尚未有基于個(gè)體化數(shù)據(jù)建模后應(yīng)用于臨床靶區(qū)自動勾畫的報(bào)道，且相關(guān)研究表明軟件自帶的模型在OARs 中具有一定的臨床應(yīng)用價(jià)值，但是對于食管、胃以及脊髓的自動勾畫效果不甚理想[13-15]。本研究通過比較Model-ST 與Model-AC 兩組模型的自動勾畫效果，探討基于臨床主任醫(yī)師手動勾畫“金標(biāo)準(zhǔn)”數(shù)據(jù)深度學(xué)習(xí)后得到的模型是否在臨床靶區(qū)及OARs 的勾畫效果方面有所提高，以便進(jìn)一步為臨床應(yīng)用提供參考。

乳腺癌CTV 的勾畫受外科手術(shù)切口、乳房大小等個(gè)體差異影響較大，Men 等[16]的研究得到基于不同的深度學(xué)習(xí)網(wǎng)絡(luò)模型，乳腺癌靶區(qū)自動勾畫的DSC 值分別為0.85、0.88、0.91。本研究Model-ST 組得出的DSC 值為0.92，優(yōu)于其他研究結(jié)果，這可能是因?yàn)楦鞣暖熤行墓串嫲袇^(qū)習(xí)慣不同以及所基于的深度學(xué)習(xí)模型不同導(dǎo)致的。對比Model-AC 組DSC 值0.81，Model-ST 組CTV 的自動勾畫效果具有很好的輪廓一致性，結(jié)果表明基于本研究數(shù)據(jù)建立的自動分割模型在CTV 的自動勾畫效果上顯著優(yōu)于軟件原有的模型。

Hofmanninger 等[17]研 究 得 到 肺 的DSC 值 為0.97，Tang 等[18]研究得到肝臟的DSC 值為0.98，本研究結(jié)果與其他研究者的結(jié)果基本相符。但食管的自動勾畫中，Model-AC 組明顯優(yōu)于Model-ST，如圖2d 所示，Model-ST食管勾畫在生理狹窄處有時(shí)會出現(xiàn)斷層或者勾畫偏差較大的現(xiàn)象，其原因可能有以下幾點(diǎn)：① 食管個(gè)體差異較大，與周圍軟組織界限不清；② 食管解剖位置的移行；③ 訓(xùn)練集樣本量較小。Zhang 等[19]研究得到基于卷積神經(jīng)網(wǎng)絡(luò)的脊 髓DSC 值 為0.82，表2 脊 髓2 中Model-AC 的DSC 值0.87，高于Zhang 等[19]的研究結(jié)果。這表明軟件原有的模型在OARs 的自動勾畫中效果優(yōu)于基于本研究數(shù)據(jù)訓(xùn)練得到的模型。由于脊髓在整個(gè)影像中所占面積較少，自動分割中脊髓樣本與整個(gè)影像背景樣本不平衡，可能是脊髓勾畫結(jié)果中DSC 系數(shù)低于肺、肝臟的原因。

綜上所述，AC 軟件對早期右側(cè)乳腺癌（T1-2N0M0 分期）保乳術(shù)后CTV 及OARs 的自動勾畫效果具有較高的準(zhǔn)確性和精度。其中，使用本研究數(shù)據(jù)形成的模型能更為準(zhǔn)確地實(shí)現(xiàn)CTV 的自動勾畫；而在OARs 的自動勾畫中，軟件原有的模型勾畫效果更好。臨床工作中選用合適的模型可以為早期乳腺癌患者的術(shù)后放療工作提供便利。此外，模型的自動分割性能取決于很多因素，本研究還存在一定的局限性可能導(dǎo)致建立的模型泛化能力弱：① 數(shù)據(jù)來源過于單一，缺少多樣性，未考慮到地區(qū)、民族等因素；② “金標(biāo)準(zhǔn)”的勾畫只依據(jù)一位臨床主任醫(yī)師標(biāo)注的結(jié)果，未考慮將不同醫(yī)師間的標(biāo)注差異達(dá)成統(tǒng)一；③ 在自動勾畫的結(jié)果應(yīng)用于臨床之前，需臨床醫(yī)生認(rèn)真檢查勾畫結(jié)果，以便及時(shí)對個(gè)體差異較大的特例進(jìn)行修改。