基于級聯式深度網絡模型的胃及胰腺自動分割研究

曹洋森，朱曉斐，韓妙飛，盧明智，高耀宗，顧蕾，于春山，孫永健，張火俊

1.海軍軍醫大學附屬長海醫院放療科，上海200433；2.上海聯影智能醫療科技有限公司，上海200232

前言

危及器官的結構勾畫是腫瘤放射治療過程中的重要環節之一。不同臨床醫師之間勾畫的危及器官可能存在較大差異［1-3］，這些勾畫差異將影響后續計劃設計階段中危及器官優化參數的設置以及計劃評估階段危及器官DVH的真實劑量統計。危及器官的勾畫耗費了臨床醫師大量的工作量，以射波刀治療為例，臨床醫師在熟練掌握醫生工作站的前提下，完成一例胰腺癌患者的結構勾畫需要40～80 min，十二指腸、胰腺的結構邊界在平掃CT 上常難以界定，如果是術后輔助放療的患者更難區分改道后的胃、十二指腸，時間成本將更大。

目前基于CT結構自動分割的解決方案主要有兩種：一是基于圖譜庫（Atlas）的自動分割，二是基于深度學習的自動分割。基于圖譜庫的自動分割研究較為成熟且商業化，但其應用范圍更多局限于較為剛性的人體結構部位（頭頸部、盆腔等）。對于腹部受正常蠕動及充盈影響形變較大的結構（如胃、十二指腸等），基于Atlas的自動分割效果不理想?；谏疃葘W習的自動分割可以在保證分割精度的同時提高分割速度，但目前開展的研究和應用相對較少?；谏疃葘W習的圖像分割流程圖如圖1所示。卷積神經網絡（CNN）在深度學習的圖像分割領域運用較為廣泛，其中又以U-Net［4］和V-Net［5］應用最多。

圖1 基于深度學習器官分割模型流程圖Fig.1 Flowchart of organs segmentation model based on deep learning

筆者運用模型壓縮思想，對V-Net 中的殘差模塊重新設計，引入Bottleneck的結構思想［6］，將新的網絡稱為VB-Net。本研究旨在研究VB-Net 在胃及胰腺的自動分割效果。

1 方法

1.1 實驗數據

回顧性采集上海長海醫院2017年1月～2019年10月期間行射波刀治療的150 例胰腺癌患者臨床資料。所有患者均采用真空墊固定，仰臥位，雙手自然放置身體兩側。使用荷蘭飛利浦16排大孔徑CT模擬定位機掃描定位。掃描條件為120 kVp、400 mAs、1.5 mm 層厚無間隔螺旋掃描。主圖像為平掃，在患者吸氣末屏氣的情況下掃描，界限范圍為腫瘤上下界各自增加15 cm。輔助圖像為碘造影劑增強掃描，在患者呼氣末屏氣的情況下掃描，界限范圍為腫瘤上下界各自增加5 cm。臨床醫師使用美國Accuray公司的MultiPlan?治療計劃系統（版本號4.0.2）進行靶區及危及器官勾畫。

1.2 自動分割整體方案

本研究在常規V-Net 基礎上進一步優化和處理，結合多尺度級聯思想策略進一步減少顯存消耗，降低網絡計算量的同時，顯著提升了運行精度和效率。分割模型的建立主要分為數據預處理、模型訓練、模型整合、數據測試，技術流程如圖2所示。圖像預處理階段是將原始數據重采樣為指定分辨率的圖像，隨機從完整取出圖像塊，并對圖像塊進行歸一化，加快模型的訓練收斂。對圖像進行分塊操作也是為考慮顯存限制，提高模型性能。

圖2 基于多尺度級聯策略的VB-Net算法流程圖Fig.2 Flowchart of VB-Net algorithm based on multiscale cascade strategy

模型訓練階段，通過訓練集的CT 及勾畫數據訓練產生用于器官分割的神經網絡模型文件。該階段需要訓練兩個模型文件，在粗分辨率（6 mm）和精細分辨率（1 mm）下訓練，分別得到粗分割模型文件和細分割模型文件，粗分割模型文件用于后續算法中的器官定位，細分割模型文件用于對器官進行精細分割，經過多次迭代，待訓練的失敗值較低時，保存訓練模型文件。

模型應用階段，輸入待分割圖像后，首先對其進行預處理，采用和訓練階段同樣的處理方式，將圖像降采樣為訓練階段粗分割指定的分辨率，歸一化按照模型訓練階段采用的歸一化方式進行。預處理后圖像經過粗分割網絡前向計算，得到器官分布概率圖。概率圖經過后處理可得到粗分辨率下器官的分割結果。截取粗分割結果的感興趣區作為細分割的初始圖像，之后采用同樣的預處理模式，將預處理后的圖像輸入網絡前向傳播計算，得到器官的概率分布，進行后處理后得到該器官的精細分割結果。

1.3 自動分割實驗

150例患者資料中，選取132例非增強CT數據進行胰腺及胃的分割模型訓練，并進一步利用其中的116 例胰腺期增強CT 在胰腺模型上繼續訓練。模型建立時結合多尺度級聯思想并開發神經網絡算法前向傳播框架，合理復用顯存，大幅降低顯存的使用量，進一步提升運行效率。剩余18 例患者的影像資料作為測試集對得到的分割模型文件進行測試。分別在非增強CT 及胰腺期增強CT 上對分割模型進行測試。

1.4 數據評估

采用戴斯相似性系數（Dice Similarity Coefficient, DSC）定量評估胰腺及胃的自動分割精度，并結合自動分割時間和醫生手動勾畫時間評估自動分割對器官勾畫效率的提升。

DSC的計算公式為：

其中，A指人工勾畫確認的金標準分割區域，B指自動分割區域。

2 結果

2.1 自動分割精度

胃及胰腺的自動分割、人工勾畫差異情況見圖3，利用前期訓練得到的分割模型，基于非增強CT 的胃、胰腺的自動分割平均DSC 值分別為87.93%、80.05%；基于胰腺期增強CT 的胃、胰腺的自動分割平均DSC值分別為89.71%、84.79%。

圖3 胃及胰腺的自動分割和人工勾畫Fig.3 Automatic segmentation and manual segmentation of the stomach and pancreas

2.2 自動分割效率

胃及胰腺的自動分割、人工勾畫時間結果見表1。胃的自動分割平均時間為1.22 s，手動分割平均時間為158.7 s；胰腺的自動分割平均時間為0.84 s，手動分割平均時間為115.52 s。增強CT的自動分割時間低于非增強CT。使用自動分割極大提高了分割效率。

表1 胃及胰腺的自動分割、手動分割時間（s,± s）Tab.1 Time for the automatic segmentation and manual segmentation(s,Mean±SD)

表1 胃及胰腺的自動分割、手動分割時間（s,± s）Tab.1 Time for the automatic segmentation and manual segmentation(s,Mean±SD)

CT非增強增強危及器官胃胰腺胃胰腺自動分割1.31±0.19 0.92±0.15 1.13±0.17 0.75±0.12手動分割164.72±33.16 125.33±23.76 152.68±28.33 105.71±17.61

3 討論

基于圖譜庫自動輪廓分割方法應用廣泛，一般需要幾十秒到幾分鐘即可完成一種器官的自動分割。但在具體臨床應用中，由于圖譜庫數目有限，在分割過程中圖譜庫很難很好地適應差異性較大的個體，尤其在有病變、占位及手術后的CT 圖像上其分割的精度往往達不到臨床需求。該方法對不同解剖結構的自動分割能力相差懸殊，結構體積越小，CT值對比度越小，目標與周圍組織界限不分明，分割結果越差［7］。分割結果的標準差較大證實了該算法穩定性較差［8-9］，分割結果很大程度依賴于操作者的經驗知識，一定程度上影響了其在臨床上的推廣應用。

腹部危及器官中，肝臟、腎臟、脾臟因為器官邊界清晰，分割結果相對較好。Christ等［10］研究了基于CT和MR的級聯全卷積神經網絡CFCNs（U-Net）在肝臟及其腫瘤的自動分割，DSC 值超過94%，分割時間低于100 s。Hu等［11］研究了基于CNNs在肝臟、脾臟、腎臟的自動分割。結果顯示3種危及器官的平均DSC值分別為96.0%、94.2%、95.4%，平均分割時間為125 s。胃腸道等危及器官的位置受患者體位、呼吸、蠕動、充盈等多種因素影響，且各軟組織臟器之間的CT值灰度差異較小，邊界不分明，基于圖譜庫的研究中未能取得滿意的分割效果。Gibson等［12］研究比較了密集擴張卷積網絡、多數投票、聯合標簽融合在肝臟、胰腺、胃和食管的自動分割。結果顯示基于多數投票無法完成胰腺分割，肝臟、胃、食管的DSC值分別為85%、49%、25%；基于聯合標簽融合的胰腺、肝臟、胃、食管的DSC值分別為37%、93%、72%、54%；基于密集擴張卷積網絡的胰腺、肝臟、胃、食管的DSC值分別為66%、92%、83%、73%，除肝臟外顯著優于另外兩種算法。針對胃、胰腺開展的自動分割研究較少，平均DSC值差異較大，胃為55%～87%［13-15］，胰腺為45%～74%［13-16］。

本研究針對胃及胰腺，開展基于VB-Net 的器官分割模型訓練及測試。目前實驗分割結果優于檢索文獻報道的結果，非增強CT的分割結果劣于增強CT的分割結果，大部分非增強CT 的胰腺分割結果較為成功（圖4a），但也有部分非增強CT 的胰腺分割結果失敗，未能分割出完整的胰腺輪廓（圖4b）。放射治療的計劃CT推薦使用非增強CT，所以在后續研究中考慮在訓練集中將胰腺增強CT、增強MR 與非增強CT 數據配準后共同訓練遷移學習，提高分割模型在非增強CT中的分割成功率和準確率。

圖4 2例基于非增強CT的胃、胰腺自動分割結果示意圖Fig.4 Automatic segmentation of the stomach and pancreas in 2 ceses based on non-enhanced CT