基于深度學習的肺癌原發灶自動勾畫研究

【摘要】目的 探討利用U-Net卷積神經網絡模型對肺癌原發灶進行自動勾畫。方法 本研究構建了端到端的U-Net卷積神經網絡自動勾畫模型，以198例肺癌患者CT影像和原發灶（Gross Target Volume，GTV）為研究對象，使用戴斯相似系數（Dice Similarity Coefficient， DSC）、杰卡德相似系數（Jaccard Similarity Coefficient，JSC）、平均表面距離（Average Surface Distance，ASD）和豪斯多夫距離（Hausdorff Distance， HD）來評估模型對20例測試集數據自動勾畫的精準度。結果 測試集的20例患者的平均DSC值為0.78±0.08，平均JSC值為0.69±0.07，平均ASD值為（1.64±0.4）mm，平均HD值為（5.5±2.2）mm。結論 利用U-Net卷積神經網絡的自動勾畫方法能夠相對準確地進行肺癌原發灶的勾畫，該方法能夠提升臨床醫生的勾畫效率和一致性。

【關鍵詞】肺癌;深度學習;自動勾畫

【中圖分類號】R-1 ? 【文獻標識碼】A ? ?【文章編號】2107-2306（2020）03-049-02

前言

放射治療是肺癌治療的主要手段之一。當前放射治療的靶區勾畫是由醫生在CT等影像上逐張手動勾畫，重復性的工作增加了醫生的負擔。另外，不同醫生勾畫的不一致性也使放療的效果存在不確定性。近年來，以卷積神經網絡（convolutional neural network， CNNs）為代表的深度學習在計算機科學領域取得了巨大的成功。據報道，自動分割可分割大腦、肝臟、直腸、膀胱、前列腺等各種圖像類型的器官，分割的圖像模態包括CT、MRI、超聲等[1]。這些研究表明，自動勾畫的性能可與手動勾畫相比，甚至更好。本研究中，我們將構建U-Net卷積神經網絡模型，研究其對肺癌原發灶GTV的自動勾畫，并探討其在臨床應用的可行性。

1材料和方法

1.1數據 本研究選取自2018年8月至2019年12月在歙縣人民醫院接受放射治療的共計198例肺癌患者CT圖像數據。所有肺癌腫瘤的原發灶（Gross Target Volume，GTV）均由主管醫師在Monaco計劃系統勾畫。

1.2卷積神經網絡結構 U-Net是一個卷積神經網絡[2]，主要用于醫學圖像的分割。本研究所使用的U-Net網絡結構如下圖1所示，主要由卷積層、最大池化層（下采樣）、反卷積層（上采樣）、ReLU非線性激活函數、批歸一化層及Dropout層組成。收縮路徑包含2個重復的3×3卷積和2個非線性ReLU激活函數，以及一個步長為2的MaxPooling池化層（用來降采樣），每次降采樣都會將特征通道數加倍而特征圖尺寸減半。擴張路徑中的每一步都包括對特征圖的上采樣（2×2上卷積），這將會把特征通道數量減半，然后與來自收縮路徑對應的特征圖串聯拼接，再經過兩個3×3卷積和2個非線性ReLU激活函數。最后一層為1×1卷積。同時，為了加速網絡收斂，我們在收縮和擴張路徑的兩個卷積層后添加了批歸一化層[3]。

1.3訓練過程 我們隨機將總計198例患者中的20例作為測試集，用來評估網絡模型自動勾畫性能。剩余160例作為訓練集，18例作為驗證集。醫師的手動勾畫作為U-Net網絡學習訓練的“金標準”。為了增加訓練的樣本量，我們對訓練圖像進行了翻轉、隨機旋轉和放大縮小的數據增廣處理。本研究使用1-DSC作為損失函數。優化器使用的是學習率為0.0001的Nadam優化器。訓練輪次Epoch100次，單次放入樣本量Batch_size設置為16。

1.4性能評估指標 研究使用戴斯相似系數（Dice Similarity Coefficient， DSC）、杰卡德相似系數（Jaccard Similarity Coefficient，JSC）、平均表面距離（Average Surface Distance，ASD）和豪斯多夫距離（Hausdorff Distance， HD）來評估模型對測試集分割的精準度

2結果

2.1自動勾畫準確性 表1給出了本研究所用的U-Net卷積神經網絡模型對肺癌原發灶GTV的自動勾畫結果。20例患者的平均DSC值為0.78±0.08，平均JSC值為0.69±0.07，平均ASD值為（1.64±0.4）mm，平均HD值為（5.5±2.2）mm。圖2為選取的3例患者（a、b和c代表）自動勾畫與手動勾畫的可視化結果，其中紅線代表醫生勾畫的結果，綠線代表U-Net網絡模型預測的自動勾畫結果。從圖中可以看出，綠線與紅線有較好的重合度，但在腫瘤區域的某些邊緣區域存在一定的差異。

圖2選取的三例患者的自動勾畫與手動勾畫結果，其中紅線代表手動勾畫的輪廓線，綠色代表自動勾畫的結果。

2.2訓練和預測時間 使用一塊Tesla P40 GPU對U-Net網絡模型進行100輪次的訓練時間為6個小時左右。自動分割一張CT的肺癌GTV所需的平均時間約為89ms，耗時遠低于醫生手動勾畫的時間。

3結論

本研究提出基于人工智能的自動分割方法，即使用U-Net卷積神經網絡進行肺癌原發灶GTV的自動勾畫。此模型能達到與放療醫師相當的勾畫輪廓準確性：平均DSC值為0.78，平均JSC值為0.69，平均ASD值為1.64 mm，平均HD值為5.5mm。在實際臨床使用過程中能得到較為準確的勾畫結果。但對某些較小肺癌病灶，特別是在病灶起始和結束的CT層面，此網絡模型未能給出勾畫結果或勾畫結果同手動勾畫結果差異較大。其中一些病例的CT層面未能成功自動勾畫，而某些CT層面的自動勾畫結果明顯小于金標準結果。這表明我們的方法雖然給出相對精確的勾畫結果，但仍存在一些限制性。

參考文獻

[1] Geert Litjens， Thijs Kooi， Babak Ehteshami Bejnordi， Arnaud Arindra Adiyoso Setio et al.， A survey on deep learning in medical image analysis， Medical Image Analysis， 2017， 42： 60-88

[2] Ronneberger O， Fischer P， Brox T. U-net： Convolutional networks for biomedical image segmentation. Springer， Cham， International Conference on Medical image computing and computer-assisted intervention. （2015） 234-241.

[3] Ioffe S， Szegedy C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift. International Conference on Machine Learning （2015） arXiv：1502.03167

作者簡介：葉菁（1988.12）男，皖黃山，漢族，本科，助理工程師，研究方向：放射物理