基于U-Net 的直腸癌腫瘤靶區和危及器官的自動分割模型

戴薇，李華玲，王沛沛，唐媛媛，孫新臣，李金凱（通信作者）

1 南京醫科大學第一附屬醫院放療科 （江蘇南京 210009）；2 南京醫科大學特種醫學系（江蘇南京 210009）

據統計，2015年我國結直腸癌發病率在所有惡性腫瘤中位于第三位，病死率位于第五位[1]。目前，放射治療是治療直腸癌患者的重要手段之一，對于可手術切除的Ⅱ、Ⅲ期直腸癌，可以通過術前放射治療來降低其局部復發的概率；術前同步放、化療是局部晚期不可切除直腸癌的首選治療方案[2]。放射治療的目標是在提高腫瘤靶區（gross target volume，GTV）劑量的同時盡量降低周圍正常組織的受照劑量。因此，GTV 和危及器官（organs at risk，OARs）的準確勾畫是精準放射治療量的重要保證。GTV 和OARs 通常由放射治療醫師根據定位CT 圖像進行手動勾畫，勾畫過程耗時費力，且勾畫結果依賴于醫師所掌握的腫瘤學及解剖學相關知識，因而主觀性較強，一致性較差。近年來，有多種自動分割方法應用于GTV 和OARs 的勾畫中，其中包括基于圖譜庫的自動分割方法[3-4]和基于神經網絡的自動分割方法[5-7]。

基于圖譜的自動分割方法是在建立參考圖譜庫后，通過形變配準對目標圖像進行勾畫，其缺點是建立圖譜庫耗時較長，且難以處理個體之間的解剖學差異[8]。目前，臨床應用最多的是基于U-Net 的自動分割方法，該方法屬于卷積神經網絡的一種，其可對較少的數據進行訓練，具備準確性較高且分割速度快的優點[9]。本研究擬通過利用基于U-Net 的自動分割模型對直腸癌GTV 和OARs 進行勾畫，并評估該模型的勾畫準確性及臨床可行性，現報道如下。

1 資料與方法

1.1 一般資料

回顧性分析2018年1月至2020年10月于醫院接受術前放射治療的70例直腸癌患者的臨床資料，隨機分組，其中52例作為訓練集，6例作為驗證集，12例作為測試集。所有患者在CT 掃描前1 h 排空大、小便，飲800 ml 水后等待40 min 進行掃描；使用西門子Siemens Sensation Open CT 模擬定位系統進行圖像采集，患者體位包括仰臥位和俯臥位，體位固定方式為熱塑膜；掃描層厚及層間距均為5 mm，CT 圖像重建采用的矩陣大小為512×512；采集的CT 圖像通過DICOM 傳至醫師工作站，由同一位放射治療醫師參考磁共振圖像在CT 圖像上勾畫GTV 和OARs（包括左側股骨頭、右側股骨頭、膀胱），并由高年資醫師進行二次確認。

1.2 模型訓練

1.2.1 數據預處理

在建立模型之前對圖像進行預處理：將所有的數據重新取樣到（1.0，1.0，None）的體素，然后每次從單層數據中截取（320，320）大小的圖像進入訓練。

1.2.2 網絡模型結構

本研究使用的網絡模型為基于U-Net 的自動分割模型，該模型包含一個搜索路徑及一個擴展路徑。搜索路徑是一個重復的結構，每次重復包含兩個卷積層和一個池化層，卷積層的卷積核大小均為3×3，基礎卷積核通道數為32，每個卷積層的后面都有批量標準化（batch normalization，BN）和線性整流函數ReLU 作為激活函數，兩個卷積層后是一個2×2 Max pooling 層，用于降采樣，每次降采樣后特征通道數增倍；擴展路徑也是一個重復的結構，首先包含一個 2×2 反卷積，用于上采樣，每次上采樣后特征通道數量減半，上采樣后將結果與收縮路徑中對應步驟的特征圖進行拼接，拼接后的圖像連接著兩個3×3卷積層，卷積層后均有BN 和ReLU 激活函數，最后是一個1×1的卷積，其可將所有元素的特征向量映射至一個類標簽。

1.2.3 訓練流程

預處理后，從訓練集中提取GTV 和OARs 結構圖像并制作成標簽圖像；然后對原始圖像進行增強及標準化后輸入神經網絡結構，見圖1；最后采用Dice 損失函數對網絡的預測結果和標簽圖像進行損失計算并反向傳播，訓練流程見圖2。模型建立后，將驗證集用于測試及評估模型的穩定性。本研究在MANTEIA 公司的Acculearning 軟件中進行模型搭建。

圖1 網絡模型結構

圖2 訓練流程

1.3 評價參數

采用戴斯相似系數（Dice similarity coefficient，DSC）及豪斯多夫距離（Hausdorff distance，HD）評估勾畫結果的準確性。

DSC 用于評價自動勾畫與手動勾畫之間輪廓的重疊性[10]，其計算公式為：

式中，VA代表自動勾畫的體積，VM代表手動勾畫的體積。DSC 值的大小為0～1，且越接近1表示相似度越高，即自動勾畫的準確性越高。

HD 用于描述兩組點集之間的相似程度，是兩個點集之間距離的一種定義形式，若假設自動勾畫集合A={a1，a2，…，ai}，手動勾畫的集合M={m1，m2，…，mj}，則其公式可表示為：

H（A，M）=MAX[h（A，M），h（M，A）]

HD 值越小，表示自動勾畫集合和手動勾畫集合的交集越大，自動勾畫的準確性越高。

1.4 模型的測試

將測試集的CT 圖像輸入訓練好的自動分割模型中進行GTV 和OARs 的勾畫，待勾畫完成后將數據導入MIM Maestro 軟件，在MIM Maestro 軟件上計算兩種方法的GTV 和OARs 的DSC 值、HD 值。

2 結果

表1為GTV 和OARs 的勾畫準確性評估參數。圖3為自動勾畫與手動勾畫的比較圖，其中圖3A 為GTV 勾畫的比較圖，圖3B 為OARs 勾畫的比較圖。由表1和圖3可知，自動分割模型在OARs 的勾畫中具有較高的準確性，而在GTV 的識別上還有所欠缺，仍需要進一步提高。

圖3 自動勾畫與手動勾畫的比較圖

表1 勾畫準確性評估參數

3 討論

近年來，人工智能在各行各業得到了廣泛的應用，其在腫瘤放射治療中也扮演著重要的輔助角色，不僅可減輕放射治療工作者的工作負擔，并且可有效提高工作效率[11]。人工智能在放射治療中應用較多的是GTV 和OARs 的自動勾畫[12-16]、自動計劃設計[17]等。目前，已有關于盆腔腫瘤GTV 和OARs 的自動勾畫的研究。秦楠楠等[7]利用基于U-Net 的自動分割模型研究關于宮頸癌臨床靶區（clinical target volume，CTV）和OARs 的自動分割，結果表明CTV 的平均DSC 值為（0.86±0.040），平均HD 值為（13.9±5.7）mm，膀胱及股骨頭的DSC 值均>0.9，HD 值均不超過8.3 mm。Men 等[18]利用擴展卷積神經網絡訓練用于直腸癌CTV 和OARs 自動分割的模型，其中CTV 的平均DSC 值為0.877，膀胱的平均DSC 值為0.934，左側股骨頭的平均DSC 值為0.921，右側股骨頭的平均DSC 值為0.923。Song 等[19]研究對比了DeepLabv3+及ResUNet 兩個模型對于直腸癌CTV 和OARs 的自動勾畫效果，結果表明，在CTV 的勾畫中，DeepLabv3+的勾畫效果優于ResUNet（DSC值分別為0.88、0.87）；在股骨頭的分割中，ResUNet 的分割效果優于DeepLabv3+（DSC 值分別為0.93、0.90）。而本研究所訓練的自動分割模型在OARs 分割中的準確性均不低于上述模型。

直腸癌病灶多為軟組織結構，形態通常具有多樣性及不確定性的特點，而CT 圖像對軟組織的分辨力較差，因此使用CT 圖像對直腸癌的GTV 進行訓練會影響最終的勾畫效果；而使用磁共振圖像作為訓練對象則可提高勾畫的準確性。目前，已有關于使用直腸癌磁共振圖像來訓練自動分割模型的相關研究[20-21]。Wang 等[21]使用磁共振T2加權圖像對自動分割模型進行訓練，其平均DSC 值為（0.74±0.14），平均HD 值為（20.44 ±13.35）mm，其分割準確性優于本研究。本研究的不足之處在于，所訓練的自動分割模型對GTV 的始末層面識別準確性較差及訓練的患者數較少，在后續的工作中將增加訓練患者數并不斷調整訓練參數來提高GTV 勾畫的準確性。

綜上所述，本研究所訓練的基于U-Net 的自動分割模型在直腸癌OARs 的勾畫中具有較高的準確性，但在GTV勾畫中的準確性還有待提高，可將該模型用于輔助臨床工作，以提高放射治療醫師的工作效率。

致謝 MANTEIA 公司謝璐及張煒工程師給予的技術支持。