小樣本訓(xùn)練模型在宮頸癌放療中自動(dòng)勾畫可行性研究

陳飛，胡靜，戴春華，游濤，耿長冉，湯曉斌

1. 南京航空航天大學(xué) 核科學(xué)與技術(shù)系，江蘇 南京 210000；2. 江蘇大學(xué)附屬醫(yī)院 放療科，江蘇 鎮(zhèn)江 212000

引言

宮頸癌是全球女性常見的惡性腫瘤，放射治療是宮頸癌的主要治療方式之一[1-2]。在目前精準(zhǔn)放療時(shí)代，腫瘤靶區(qū)及危及器官（Organs at Risk，OARs）勾畫的準(zhǔn)確性顯得尤為重要[3-4]。臨床上認(rèn)為手動(dòng)勾畫靶區(qū)及OARs是金標(biāo)準(zhǔn)，但這是一個(gè)費(fèi)時(shí)費(fèi)力的過程。有研究表明宮頸癌患者的OARs勾畫時(shí)間約2 h，而且不同臨床醫(yī)師勾畫結(jié)果可能因?yàn)榻?jīng)驗(yàn)及理解不同而存在較大差異，這大大影響了患者放療的準(zhǔn)確性[4-6]。近年來，基于深度學(xué)習(xí)自動(dòng)勾畫的研究備受關(guān)注，并在前列腺癌、肺癌等部位取得很大進(jìn)展，降低了放療醫(yī)師工作負(fù)荷以及勾畫差異性[7-9]。深度學(xué)習(xí)算法模型已逐漸應(yīng)用于臨床，在實(shí)際使用過程中，常會(huì)發(fā)現(xiàn)通用的深度學(xué)習(xí)算法模型自動(dòng)勾畫效果不符合醫(yī)院的具體勾畫習(xí)慣而影響臨床的應(yīng)用[10]。

AccuLearning是由Manteia公司研發(fā)的一款深度學(xué)習(xí)自主訓(xùn)練平臺(tái)，對各醫(yī)院提供自動(dòng)勾畫算法模型定制，從而加大深度學(xué)習(xí)模型的實(shí)用性，推薦訓(xùn)練最小病例數(shù)量30例。目前關(guān)于小樣本算法定制可行性的相關(guān)報(bào)道較少，本研究基于此，使用我院30例的宮頸癌患者數(shù)據(jù)在AccuLearning平臺(tái)中進(jìn)行算法模型訓(xùn)練，并對生成的算法模型進(jìn)行測試分析，討論其對于宮頸癌臨床靶區(qū)（Clinical Target Volume，CTV）及OARs算法定制的可行性，以期得到AccuLearning軟件算法定制應(yīng)用于臨床實(shí)踐的依據(jù)。

1 材料與方法

1.1 AccuLearning和AccuContour軟件

AccuLearning是基于深度學(xué)習(xí)進(jìn)行醫(yī)學(xué)影像分割的訓(xùn)練平臺(tái)，能夠完成小樣本勾畫算法模型訓(xùn)練。在深度學(xué)習(xí)訓(xùn)練的過程中，通過數(shù)據(jù)驅(qū)動(dòng)來更新模型的參數(shù)，從而實(shí)現(xiàn)自動(dòng)提取特征，能夠比傳統(tǒng)圖像處理算法達(dá)到更優(yōu)的效果。AccuLearning提供了從數(shù)據(jù)輸入到模型部署的完整流程，方便用戶可以在訓(xùn)練完成后直接在工作流程中使用，整體過程如下：數(shù)據(jù)集創(chuàng)建，模型訓(xùn)練，模型評估以及模型應(yīng)用。訓(xùn)練好的自動(dòng)勾畫算法模型能夠以加密過的二進(jìn)制文件導(dǎo)入到AccuContour軟件平臺(tái)上，AccuContour能夠結(jié)合新算法模型來執(zhí)行自動(dòng)勾畫功能，并輸出相應(yīng)的勾畫結(jié)構(gòu)。

AccuLearning采取的網(wǎng)絡(luò)模型為自適應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建策略，根據(jù)訓(xùn)練集中每個(gè)病例的體素間距和各個(gè)ROI的體積，自動(dòng)選取合適的采樣窗口大小，生成類似于2D-UNet結(jié)構(gòu)的自動(dòng)分割網(wǎng)絡(luò)。該網(wǎng)絡(luò)默認(rèn)包含5個(gè)最大池化層和5個(gè)上采樣層，基礎(chǔ)的卷積核通道數(shù)為32，尺寸為3×3，在每個(gè)卷積層后面都有批標(biāo)準(zhǔn)化層和線性整流函數(shù)，在編碼器和解碼器之間以級聯(lián)的方式進(jìn)行躍層連接，將高分辨率的細(xì)節(jié)信息和深層次的圖像語義信息進(jìn)行結(jié)合，提升勾畫模型的效果。

1.2 臨床資料

選取2020年1月至10月江蘇大學(xué)附屬醫(yī)院收治的45例宮頸癌患者為研究對象，年齡37～79歲（中位值55歲)，根治性放療患者18例，術(shù)后輔助性放療患者27例。患者定位均采用仰臥位真空墊固定，使用飛利浦大孔徑CT（Brilliance CT big bore）進(jìn)行掃描，掃描層厚3 mm，層間距3 mm。

1.3 實(shí)驗(yàn)方法

將掃描獲取的45例CT圖像通過DICOM傳輸至Eclipse 13.6治療計(jì)劃系統(tǒng)，由一名有經(jīng)驗(yàn)的放療醫(yī)師手動(dòng)勾畫CTV和OARs，其中OARs包括：骨髓、右側(cè)股骨頭、左側(cè)股骨頭、腸袋、直腸、膀胱，并定義為參考輪廓勾畫（Vreference，Vr）。各結(jié)構(gòu)勾畫原則如下：CTV勾畫參照RTOG宮頸癌臨床靶區(qū)勾畫標(biāo)準(zhǔn)；骨髓勾畫包括髂骨、骶骨、恥骨、坐骨；兩側(cè)股骨頭包括股骨頭及股骨頸；腸袋勾畫包括從乙狀結(jié)腸往上至CTV上1.5 cm的腸管；直腸由肛管口勾畫至直腸乙狀結(jié)腸交界處；膀胱勾畫需包括膀胱外壁。所有勾畫輪廓均由兩位有著20年以上工作經(jīng)驗(yàn)的主任醫(yī)師審核并修改確認(rèn)。

隨機(jī)抽取30例患者作為訓(xùn)練集，將CT圖像及結(jié)構(gòu)文件導(dǎo)出，應(yīng)用AcceLearning軟件深度學(xué)習(xí)形成勾畫算法模型。訓(xùn)練好的算法模型手動(dòng)導(dǎo)入至AccuContour軟件平臺(tái)，并將余下15例患者CT作為測試集傳至AccuContour平臺(tái)，應(yīng)用訓(xùn)練好的算法模型對其相應(yīng)結(jié)構(gòu)進(jìn)行自動(dòng)勾畫，定義為自動(dòng)輪廓勾畫（Vautomatic，Va），勾畫完成后將結(jié)構(gòu)文件傳回Eclipse計(jì)劃系統(tǒng)，獲取相關(guān)參數(shù)分析。

1.4 評價(jià)參數(shù)

以醫(yī)師手動(dòng)勾畫的靶區(qū)及OARs輪廓作為金標(biāo)準(zhǔn)，通過以下指標(biāo)評估自動(dòng)勾畫與手動(dòng)勾畫的吻合度，其中Va和Vr分別表示自動(dòng)勾畫和手工勾畫的結(jié)構(gòu)體積，Va∩Vr是自動(dòng)勾畫與手動(dòng)勾畫結(jié)構(gòu)重疊的體積。

1.4.1 相似性系數(shù)和敏感性指數(shù)

相似性系數(shù)（Dice Similarity Coefficient，DSC）和敏感性指數(shù)（Sensitive Index，SI）是形態(tài)學(xué)吻合度評價(jià)指標(biāo)，可利用其評價(jià)自動(dòng)勾畫結(jié)構(gòu)與手動(dòng)勾畫的重合一致性，DSC和SI值介于0～1之間，當(dāng)DSC和SI趨近于1時(shí)，代表兩者具有較好的重合性。DSC和SI的計(jì)算公式如式(1)～ (2)。

1.4.2 位置偏差

質(zhì)心偏差（Deviation of Centroid，DC）可通過記錄手動(dòng)勾畫與自動(dòng)勾畫的各結(jié)構(gòu)幾何中心在三維坐標(biāo)軸上的差異（△x，△y，△z）計(jì)算得到，其能較直觀地反映手動(dòng)勾畫與自動(dòng)勾畫結(jié)構(gòu)的位置關(guān)系。DC的計(jì)算公式如式(3)所示。

1.4.3 體積差異系數(shù)

體積差異系數(shù)（Deviation of Volume，DV）表示手動(dòng)勾畫與自動(dòng)勾畫的體積差異占手動(dòng)勾畫的比例，用于評價(jià)自動(dòng)勾畫的容積穩(wěn)定性，結(jié)果以其絕對值的百分比表示。DV的計(jì)算公式如式(4)所示。

2 結(jié)果

采用箱式圖顯示了15例測試集各個(gè)勾畫輪廓三維方向的偏差（圖1）。CTV位置偏差有一例z方向異常較大的患者，高達(dá)1.03 cm（DSC=0.83），其余患者在x、y、z三個(gè)方向的誤差都分別小于1.3、3.6、3.8 mm；對于骨髓、右側(cè)股骨頭以及左側(cè)股骨頭，自動(dòng)勾畫和手動(dòng)勾畫的位置偏差均小于3 mm，偏移距離小于3 mm的掃描層厚；圖1中腸袋位置偏差在x、y方向偏差小于3 mm，z方向偏差較大，最大偏差達(dá)到8.7 mm；直腸位置偏差在x、y方向偏差小于2 mm，z方向偏差小于3.3 mm；膀胱位置偏差發(fā)現(xiàn)大多數(shù)患者位置偏差都小于5 mm，有一例患者在y、z方向偏差異常較大，△y=-0.9 cm、△z=-0.53 cm，而且此例患者膀胱DSC值僅為0.58。

圖1 自動(dòng)和手動(dòng)兩種勾畫方式在x、y、z方向的位置偏差

研究中發(fā)現(xiàn)，測試集中有一例CTV以及一例膀胱自動(dòng)勾畫位置偏差數(shù)據(jù)較為異常，通過患者CT圖像（圖2）推斷：CTV數(shù)據(jù)異常者為45例患者中唯一1例宮頸癌陰道及外陰侵犯患者，其CTV結(jié)構(gòu)異于訓(xùn)練集中CTV；膀胱勾畫異常者是因?yàn)榇嘶颊咝羞^左側(cè)輸尿管吻合術(shù)加左側(cè)輸尿管支架置入術(shù)，CT可見膀胱內(nèi)高密度顯影，干擾了膀胱的自動(dòng)勾畫，所以在其他評價(jià)指標(biāo)分析中，均排除了該異常數(shù)據(jù)。

圖2 CTV及膀胱數(shù)據(jù)異?；颊逤T圖

表1展示了各結(jié)構(gòu)自動(dòng)勾畫輪廓的評價(jià)參數(shù)。結(jié)果顯示：CTV的DSC達(dá)到了0.86，OARs中骨髓、雙側(cè)股骨頭的DSC均≥0.93，腸袋和直腸約0.90左右；CTV的SI值為0.87，其余結(jié)構(gòu)的SI值均≥0.90；CTV和腸袋DC均值在3～6 mm，其余的均小于3 mm；關(guān)于DV均值，最小的是骨髓3.86%，最大的是腸袋12.32%。

表1 各結(jié)構(gòu)自動(dòng)勾畫輪廓的評價(jià)參數(shù)[（±s），（最小值～最大值）]

表1 各結(jié)構(gòu)自動(dòng)勾畫輪廓的評價(jià)參數(shù)[（±s），（最小值～最大值）]

結(jié)構(gòu) 病例數(shù) DSC SI DC/ mm DV/%CTV 14 0.86±0.01 (0.85～0.88) 0.87±0.03 (0.80～0.90) 3.27±1.01 (1.97～4.53) 6.70±3.74 (2.72～13.75)骨髓 15 0.93±0.01 (0.91～0.94) 0.95±0.01 (0.93～0.97) 1.01±0.41 (0.33～1.79) 3.86±2.63 (0.04～7.50)右側(cè)股骨頭 15 0.94±0.02 (0.91～0.97) 0.97±0.01 (0.94～0.98) 1.67±0.98 (0.37～3.14) 6.19±5.01 (1.03～16.11)左側(cè)股骨頭 15 0.93±0.01 (0.91～0.94) 0.97±0.01 (0.96～0.98) 2.00±0.81 (0.91～3.37) 8.02±4.21 (4.47～16.59)腸袋 15 0.90±0.02 (0.87～0.93) 0.95±0.03 (0.87～0.97) 5.27±2.46 (1.97～9.12) 12.32±5.92 (3.40～18.54)直腸 15 0.89±0.02 (0.85～0.92) 0.92±0.02 (0.89～0.97) 2.05±1.03 (0.73～3.48) 6.26±6.33 (0.14～19.90)膀胱 14 0.93±0.03 (0.86～0.96) 0.90±0.06 (0.79～0.98) 2.30±2.06 (0.62～5.73) 7.29±4.63 (3.20～17.31)

圖3展示了本實(shí)驗(yàn)中CTV和OARs勾畫斷層效果圖，由圖3可看出自動(dòng)勾畫的結(jié)構(gòu)輪廓與臨床醫(yī)師勾畫的相似重合度高。表2總結(jié)了近幾年具有代表性的盆腔腫瘤深度學(xué)習(xí)自動(dòng)勾畫的數(shù)據(jù)，并將其DSC值與本研究進(jìn)行了比較與分析[4,11-14]，發(fā)現(xiàn)本實(shí)驗(yàn)DSC均值與其他文獻(xiàn)十分接近甚至優(yōu)于個(gè)別文獻(xiàn)中的結(jié)果。

表2 該研究DSC結(jié)果與其他文獻(xiàn)結(jié)果對比（均值）

圖3 各勾畫結(jié)構(gòu)CT斷層示例

3 討論

已有研究表明，基于深度學(xué)習(xí)的自動(dòng)勾畫優(yōu)于基于圖譜庫的自動(dòng)勾畫[15-16]。隨著人工智能深度學(xué)習(xí)技術(shù)的發(fā)展，基于不同方式的深度學(xué)習(xí)自動(dòng)勾畫成為了放療領(lǐng)域的研究熱點(diǎn)[17-20]。盡管基于深度學(xué)習(xí)的自動(dòng)勾畫模型在放療領(lǐng)域取得了很大的成果，但由于高質(zhì)量醫(yī)療數(shù)據(jù)的稀缺性、私密性，以及不同數(shù)據(jù)源之間的標(biāo)準(zhǔn)不同的原因，導(dǎo)致通用模型無法持續(xù)應(yīng)對放療領(lǐng)域日益發(fā)展的自動(dòng)勾畫需求。Manteia公司提出深度學(xué)習(xí)和傳統(tǒng)算法結(jié)合的方法，應(yīng)用AccuLearning軟件進(jìn)行小樣本數(shù)據(jù)深度學(xué)習(xí)模型訓(xùn)練，生成的模型可導(dǎo)入AccuContour軟件進(jìn)行自動(dòng)勾畫，其中為了進(jìn)一步提高模型的輸出精度，AccuContour軟件在模型應(yīng)用部署時(shí)會(huì)結(jié)合傳統(tǒng)算法對部分勾畫輪廓使用后處理技術(shù)，以及在部分傳統(tǒng)算法能達(dá)到高精度的器官上，直接采用傳統(tǒng)算法進(jìn)行勾畫，以達(dá)到最佳的勾畫精度。

研究結(jié)果顯示，宮頸癌臨床靶區(qū)及OARs的自動(dòng)勾畫與手動(dòng)勾畫有著較高的相似度。DSC是評價(jià)自動(dòng)勾畫精度的重要指標(biāo)，而且Zou等[21]認(rèn)為DCS大于0.7表示自動(dòng)勾畫與手動(dòng)勾畫相似性較高。本研究各勾畫輪廓DSC均值都大于0.85，表現(xiàn)出較高的相似性。其中骨髓，兩側(cè)股骨頭以及膀胱的DCS值高達(dá)0.93左右，這可能是因?yàn)檫@些OARs邊界清晰且其與周圍組織對比度高，此外SI值為0.87～0.97，也表明較高的重合性。DC是通過質(zhì)心的偏差來衡量自動(dòng)勾畫輪廓偏移程度一項(xiàng)參數(shù)，骨髓，兩側(cè)股骨頭，直腸以及膀胱的DC平均值均小于3 mm，不足CT掃描一層的厚度，體現(xiàn)了很好的輪廓重合性，與DSC以及SI結(jié)果相同。CTV以及腸袋的DV均值稍微大點(diǎn)，CTV質(zhì)心偏移主要集中在y和z方向?；仡櫺苑治鯟T圖像可知y方向的偏移可能是因?yàn)榛颊甙螂壮溆潭炔煌约澳c道位置的變化，導(dǎo)致了CTV前界的變化；z方向的偏移主要是因?yàn)槊坷颊呓Y(jié)構(gòu)性的差異，研究自動(dòng)勾畫輪廓發(fā)現(xiàn)靶區(qū)上界定位較差，這可能跟不同的患者主動(dòng)脈分叉位置不同有關(guān)；而且此次實(shí)驗(yàn)定義腸袋上界為CTV上1.5 cm，因?yàn)镃TV上界的個(gè)體差異，從而導(dǎo)致腸袋上界的不確定，這也可能增加了腸袋z方向的質(zhì)心偏移。所有勾畫結(jié)構(gòu)中DV最大均值為12%左右，說明自動(dòng)勾畫體積與手動(dòng)勾畫差別小。這幾項(xiàng)評價(jià)參數(shù)都說明了小樣本自主訓(xùn)練算法模型的自動(dòng)勾畫具有很高的穩(wěn)定性，經(jīng)臨床醫(yī)師審核修改后可應(yīng)用于臨床。

為了更直觀地表現(xiàn)本研究自動(dòng)勾畫的效果，表2將本實(shí)驗(yàn)結(jié)果與其他文獻(xiàn)結(jié)果做了對比，由于各個(gè)文獻(xiàn)所選的OARs不是完全相同，因此只概括了與本研究具有相同輪廓的數(shù)據(jù)?？赡芤驍?shù)據(jù)量、CT圖像質(zhì)量、輪廓勾畫原則等因素的影響，這樣比較不能說明該實(shí)驗(yàn)結(jié)果優(yōu)劣于其他實(shí)驗(yàn)，但是可以發(fā)現(xiàn)小樣本數(shù)據(jù)訓(xùn)練算法模型的自動(dòng)勾畫效果是理想的，宮頸癌患者小樣本數(shù)據(jù)訓(xùn)練模型能被應(yīng)用于臨床，從而提高放療質(zhì)量以及效率。

此外在該實(shí)驗(yàn)中，測試集中出現(xiàn)了特異性較大的勾畫結(jié)構(gòu)，這可能是因?yàn)樾颖居?xùn)練模型數(shù)據(jù)量較小，從而導(dǎo)致模型過擬合，泛化能力減弱，因此在數(shù)據(jù)收集過程中，應(yīng)盡量增加訓(xùn)練數(shù)據(jù)的多樣性，來提升深度學(xué)習(xí)模型的精度以及泛化性能。而且放療醫(yī)師在自動(dòng)勾畫完成后，仍需認(rèn)真檢查每個(gè)自動(dòng)勾畫輪廓，排除特例的存在，因人而異的去做必要的修改。

4 結(jié)論

綜上所述，AccuLearning平臺(tái)的小樣本自主訓(xùn)練模型對于絕大部分宮頸癌臨床靶區(qū)以及OARs勾畫取得了滿意的效果，能較好地解決醫(yī)院勾畫習(xí)慣不同的問題，證明了宮頸癌小樣本訓(xùn)練模型定制的可行性，對于臨床應(yīng)用有著較大的價(jià)值。但是對于CTV，自動(dòng)勾畫輪廓仍有部分層面效果較差，因此在今后研究中，可考慮適當(dāng)增加樣本數(shù)量以及多樣性，通過對比模型中自動(dòng)勾畫與手動(dòng)勾畫的差異性，對深度學(xué)習(xí)網(wǎng)絡(luò)模型中引入一些標(biāo)簽，比如是否手術(shù)，臨床分期等，進(jìn)一步提高AccuLearning平臺(tái)的小樣本訓(xùn)練模型精度。