腫瘤放療中自動勾畫技術危及器官的研究進展

李陸軍

（梧州市紅十字會醫院放療技術區 廣西 梧州 543000）

調強和容積調強放療技術在腫瘤治療方面的應用越來越廣泛。為提高腫瘤局部控制率、降低正常組織并發癥發生概率，不但需精確勾畫出腫瘤靶區所在的位置，而且腫瘤周圍危及器官（organ at risk, OAR）的準確勾畫也非常重要。但勾畫0AR 這種簡單重復的工作既繁瑣又費時，為減輕醫生的工作負擔、提高工作效率，自動勾畫技術應運而生。目前，自動勾畫方法有兩種，一種是基于圖譜庫方法，需要構建患者圖譜數據庫，然后通過剛性或非剛性配準方法將模板中的OAR 映射到新的CT 圖像上實現自動勾畫；另一種基于深度學習方法，是通過神經網絡深度學習算法，運用標準數據集對其進行訓練，然后通過算法邏輯實現自動勾畫。本文就這兩種自動勾畫方法在身體各部位器官的應用研究作一綜述。

1.頭頸部危及器官勾畫

頭頸部骨性結構較多，正常組織移動度小、位置相對固定，這對勾畫有一定的幫助。但是小體積的危及器官相對較多，如晶體、視神經、視交叉、垂體等，臨床確保準確勾畫對兩種勾畫方法都是一種挑戰。彭應林等應用基于圖譜庫自動勾畫的ABAS 軟件對鼻咽癌放療計劃的危及器官進行勾畫測試，結果顯示OAR 體積越大，勾畫對模板的還原能力越強，對較小體積的OAR 自動勾畫對模板的還原有很大的偏差。圖譜庫方法需要選取一部分病例數據作為模板，然后通過模板CT 圖像與待勾畫的CT 圖像進行匹配，將外輪廓匹配程度高的模板CT 圖像上勾畫好的OAR 映射到待勾畫的CT 圖像上。模板庫的病例數據越多，勾畫的效果會越好。但外輪廓相似度高并不代表OAR 的輪廓位置就會一樣，圖譜庫勾畫方法不具備識別OAR 輪廓邊緣的能力。對于體積大的器官，由于在CT 圖像上分布的層數多，絕大部分體積能匹配上；但對于小體積的器官，如垂體、視交叉、視神經、晶體等，則很難準確的映射到待勾畫圖像上。陰曉娟等研究同樣指出，對于小體積器官，如視神經、視交叉等，不建議使用基于圖譜庫方法進行自動勾畫。其他文獻也報道了與上述研究相似的結論。

基于深度學習方法自動勾畫方面，吳哲等使用基于深度學習方法的AccuContour 軟件對鼻咽癌放療OAR進行勾畫研究顯示，小體積的OAR 體積差異較大，但位置差異較小，大體積的OAR 重合性和相似性較大。李華玲等報道了AccuContour 自動勾畫軟件對小體積器官勾畫準確度有所欠缺。基于3D U-NET 神經網絡深度學習模型由于深度擴張深度卷積神經網絡（deep dilated convolutional neural network, DDCNN）結構中存在多次的卷積及池化過程，因此易引起小體積危及器官信息的丟失。這說明，不管是基于圖譜庫方法，還是基于深度學習方法的自動勾畫技術，雖然技術路線不一樣、導致勾畫不準確的原因不一樣，但在小體積的OAR 勾畫結果有較大的偏差。張書銘等的研究結果顯示，利用深度學習方法的自動勾畫結果較準確。由此說明，基于深度學習的方法能夠更準確的勾畫各個OAR。

2.胸部危及器官勾畫

胸部肺組織占據了胸腔的大部分體積，且組織密度低，在CT 影像下其與周圍組織對比度高、邊界清晰容易被識別，勾畫相對容易。心臟與肺相鄰，勾畫也相對容易。高文超等應用基于深度學習的RT-Mind 軟件對胸部OAR 進行自動勾畫的研究顯示，雙肺勾畫效果最好，心臟次之，最后是健側乳腺，OAR 邊緣勾畫的準確性與邊緣對比度相關。王沛沛等基于人工智能的胸部OAR 自動勾畫結果顯示，雙肺的形狀相似性指數（dice similarity coefficient, DSC）可以高達（0.98±0.01）、Jaccard 系數（Jaccard index, JAC）雙肺的均值≥0.95，脊髓、心臟的自動勾畫結果次之。由此說明，基于深度學習的人工智能自動勾畫技術能夠達到較高的準確性和精確度。

基于圖譜庫方法的自動勾畫研究方面，余元祥等研究指出，邊界清晰或經血管增強后顯影清晰的大體積器官（如雙肺、心臟、主動脈及脊髓）的自動勾畫效果較優，而形狀變異大、組織對比度欠佳的結構（如肺支氣管樹、臂叢、上腔靜脈及食管）尚無法滿足臨床需要。由此說明，邊緣對比度高、邊界清晰的OAR，基于圖譜庫的勾畫方法與基于深度學習的勾畫方法均能得到較好的效果。基于圖譜庫方法自動勾畫的另一項研究顯示，單模板和多模板2 種自動勾畫方式得到的總體OAR 的平均DSC 值分別為（0.82±0.17）和（0.92±0.05），兩組差異有統計學意義。自動勾畫的形狀一致性與OAR體積大小正相關，對于體積較小的脊髓，多模板優于單模板。圖譜庫的樣本量越大與待勾畫的新CT 圖像匹配程度越高，勾畫的效果更好。這與深度學習方法相似，給機器學習的樣本量越大學習效果越好。但在樣本數量相同的情況下，基于深度學習自動勾畫方法的準確性高于圖譜庫方法。

3.腹部盆腔危及器官勾畫

腹部和盆腔的危及器官移動度大，如腸道組織、膀胱等其形狀和位置極易發生變化，充盈程度不同形狀不同，固定體位不同其位置差別也非常大，即使是同一固定體位在不同的時間位置也會發生變化。所以對于腹部和盆腔的OAR 自動勾畫還是很有挑戰的，為此有不少的研究者提出了很多不同的方法以提高自動勾畫的準確度。

基于圖譜庫方面，王金媛等應用MIM-Maestro 軟件（Verision 6.6.5）建立宮頸癌Atlas 圖譜庫，圖譜庫中包含模板病例60 例，分別應用多數投票法及STAPLE算法，選擇1、3、5、7、9 個勾畫匹配數對另外10 例目標CT 圖像進行OAR 自動勾畫并分別計時，結果顯示勾畫時間隨匹配數目增大呈線性增加，與勾畫算法無關，多數投票法和STAPLE 算法勾畫結果均顯示匹配數為1 時膀胱的敏感性指數和左股骨頭的DSC、豪斯多夫距離、JAC與匹配數為3、5、7、9 時差異有統計學意義，說明匹配數多其勾畫效果會更好。另一項探討和評價圖譜庫入庫病例數對自動勾畫結果影響的研究顯示，30 例圖譜庫勾畫的整體效果較差、60 例以上的圖譜庫略有優勢，提高了膀胱、直腸勾畫的準確性。

基于深度學習方面，Wang 等為解決盆腔器官形狀差異大，腸道氣體和標記物造成的不確定性等問題，使用具有邊界敏感表示的全卷積神經網絡結合多標簽交叉熵損失函數來自動勾畫313 例前列腺癌患者CT 圖像，前列腺、膀胱和直腸的勾畫DSC 分別為（0.89±0.03）、（0.94±0.03）、（0.89±0.04），勾畫結果還是不錯的。Men 等使用DDCNN 自動勾畫直腸癌患者的臨床靶區和OAR，為了區分CT 圖像中具有相似灰度值、形狀和紋理的組織，使用對比度限制的自適應直方圖算法對輸入數據進行預處理以增強圖像，自動勾畫臨床靶區、膀胱、左股骨頭、右股骨頭、腸和結腸，DSC 結果分別為0.877、0.934、0.921、0.923、0.653 和0.618，均優于U 型網絡（U-net）的0.819、0.912、0.896、0.892、0.576 和0.605。不過從其DSC 數據看，腸和結腸的勾畫效果不是很理想。Kazemifar 等設計了1 個2D U-net 模型，使用具有可變內核、通道號和激活函數的卷積塊，通過直接學習“CT 圖像灰度—相應的OAR 輪廓”的映射函數，實現準確自動勾畫，用DSC 評估CT 圖像中前列腺、膀胱和直腸的自動勾畫準確性，結果分別為（0.88±0.12）、（0.95±0.04）和（0.92±0.06），表明U-net 網絡結構經過優化也可改善靶區與周圍正常組織之間的自動勾畫。

4.小結與展望

基于圖譜庫自動勾畫技術和基于深度學習自動勾畫技術在危及器官自動勾畫方面的應用研究表明，在移動度小位置相對固定、邊緣對比度高且體積較大的OAR 均能達到比較滿意的勾畫效果，醫生只需簡單的修改就能應用于臨床放療計劃的設計中，極大的減輕了醫生的工作負擔，提高了工作效率。但基于圖譜庫的自動勾畫技術不具備識別OAR 邊緣的能力，采用匹配融合后再映射的方法準確度較差，其應用發展前景相較于深度學習自動勾畫技術有所欠缺。雖然目前基于深度學習的自動勾畫技術還未能完全準確的完成勾畫，但隨著人工智能的發展，自動勾畫算法不斷進步、計算機學習能力不斷提升，危及器官的自動勾畫準確率將會不斷上升，以達到不用醫生修改就能直接應用于臨床的境界。