基于U-Net的自動分割方法對乳腺癌危及器官的自動勾畫

李華玲，李金凱，張煒，王沛沛，孫新臣

1.南京醫(yī)科大學 特種醫(yī)學系，江蘇 南京 210009；2.南京醫(yī)科大學第一附屬醫(yī)院 放療科，江蘇 南京 210009；3.福建自貿(mào)實驗區(qū)廈門片區(qū)Manteia數(shù)據(jù)科技有限公司，福建 廈門 361000

引言

隨著放射治療技術(shù)的發(fā)展，其已成為腫瘤治療的重要手段之一。據(jù)估計，美國每年有多達一半的癌癥患者將接受放射治療[1]。在腫瘤放射治療的過程中，危及器官（Organs at Risks，OARs）及靶區(qū)的準確勾畫是重要的步驟之一。通常都由醫(yī)師對相應的CT圖像進行手動勾畫OARs及靶區(qū)，而手動勾畫這些結(jié)構(gòu)不僅耗時費力，而且勾畫結(jié)果更依賴于醫(yī)生所掌握的解剖學和腫瘤學知識，主觀性較強，一致性和規(guī)范性較差。

近年來，有越來越多的研究致力于OARs自動勾畫。當前已有多種類型的自動勾畫技術(shù)，其中包括基于圖譜的自動勾畫技術(shù)[2-3]，基于機器學習的自動勾畫技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的自動勾畫技術(shù)[4-6]?；趫D譜的自動勾畫技術(shù)是通過目標CT圖像與圖譜庫內(nèi)的參考圖像進行形變配準后根據(jù)圖譜庫內(nèi)圖像所勾畫的結(jié)構(gòu)對目標圖像進行勾畫。其缺點就是難以處理患者之間的解剖學差異[7]，且建立圖譜庫時需花較長的時間。目前應用最多的是基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNNs）的自動分割技術(shù)。自Ronneberger等[8]第一次提出U-Net用于生物醫(yī)學圖像分割開始，U-Net便被廣泛應用于醫(yī)學圖像的自動分割。這得益于U-Net可以對較少的數(shù)據(jù)進行訓練，勾畫準確性較高，速度快等特點[8-9]。近年來，有許多研究提出一些結(jié)構(gòu)類似于U-Net的一些變體用于圖像的自動分割[10-12]。本研究意在訓練和評價一種基于U-Net的乳腺OARs的自動分割方法。

1 材料與方法

1.1 實驗數(shù)據(jù)

選取南京醫(yī)科大學第一附屬醫(yī)院2018年4月至2019年11月的140例早期乳腺腫瘤保乳術(shù)后放療的病例，其中左側(cè)保乳術(shù)后及右側(cè)保乳術(shù)后各70例，所有病例皆無鎖骨以上靶區(qū)。定位時均采用仰臥位，雙手上舉置于托架上來固定患者體位。所有病例的圖像采集均使用西門子CT模擬定位系統(tǒng)進行掃描，掃描層厚5 mm，層間距5 mm。將采集的CT圖像通過DICOM傳至MIM Maestro軟件，由同一位醫(yī)師在此軟件上對所有病例進行勾畫，并由高年資醫(yī)師進行二次確認。所有病例所勾畫的OARs為雙肺，心臟及健側(cè)乳腺（包括左側(cè)正常乳腺及右側(cè)正常乳腺），勾畫標準參考RTOG 1106勾畫指南[13]。

1.2 自動勾畫方式

1.2.1 基于U-Net的自動勾畫方法

使用120例已勾畫好OARs的乳腺癌病例，其中左側(cè)及右側(cè)各60例。將病例標記為左右側(cè)后用于訓練自動勾畫模型，訓練過程如圖1所示，首先將圖像進行Dicom預處理，生成原始圖像及標簽圖像，然后對原始圖像進行增強及標準化后輸入U形網(wǎng)絡(luò)結(jié)構(gòu)（圖2），最后采用Dice損失函數(shù)對網(wǎng)絡(luò)的預測結(jié)果和標簽圖像進行損失計算并反向傳播。實驗壞境：CPU：Intel(R)Xeon(R) CPU E5-2678v3@2.50GHz；GPU：NVIDIA TITAN RTX 24GB。

圖1 訓練流程

圖2 U形網(wǎng)絡(luò)結(jié)構(gòu)

1.2.2 基于atlas的自動勾畫方法

使用120例已勾畫好OARs的乳腺癌病例，其中左、右側(cè)乳腺癌各60例。將病例逐個導入MIM Maestro軟件，數(shù)據(jù)導入后，標記每個病例的腫瘤左右輪廓并保存為atlas對象，進而在軟件上創(chuàng)建自動勾畫圖譜庫。

1.2.3 自動勾畫的測試

使用20例乳腺癌病例的CT圖像輸入經(jīng)訓練好的基于U-Net及基于atlas的自動勾畫模型進行勾畫，將基于U-Net的自動勾畫模型所勾畫完成的數(shù)據(jù)導入MIM Maestro軟件，在MIM Maestro軟件上分別計算基于U-Net的自動勾畫方法與手動勾畫方法之間及基于atlas的自動勾畫方法與手動勾畫方法之間的各個OARs 的DSC值以及MDA值。

1.3 評估方法

采用戴斯相似系數(shù)（Dice Similarity Coefficient，DSC）及平均最小距離（Mean Distance to Agreement，MDA）對自動勾畫的精度進行評估。

（1）DSC： 用于評價自動勾畫和手動勾畫之間的體積重疊性[14-15]，公式(1)為：

其中，Va代表自動勾畫輪廓的體積，Vm代表手動勾畫輪廓的體積。DSC的大小在0至1之間，其數(shù)值越接近1表示相似度越高，則表明自動勾畫的勾畫精度越高。

（2）MDA： 用來描述兩個集合之間的距離，具體含義是自動勾畫輪廓集合中的所有點移動到與手動勾畫輪廓集合完全重疊一致所需的平均最小距離[16-17]，公式(2)為：

A代表自動勾畫輪廓的點集，B代表手動勾畫輪廓的點集，a∈A，a∈B，當MDA數(shù)值越接近于0，表明兩個勾畫輪廓集合之間的差別越小，則自動勾畫精度越高。

1.4 統(tǒng)計學分析

使用SPSS 23.0軟件對數(shù)據(jù)進行統(tǒng)計學分析。雙側(cè)肺，健側(cè)乳腺，心臟的DSC值及MDA值用均數(shù)±標準差（±s）表示，對基于U-Net的自動勾畫方法及基于atlas的自動勾畫方法經(jīng)行配對t檢驗，P值小于0.05則認為具有統(tǒng)計學差異。

2 結(jié)果

2.1 基于U-Net的自動勾畫方法的勾畫準確性評價

如表1所示，基于U-Net的自動勾模型所勾畫的OARs，除了左側(cè)正常乳腺DSCu均值為0.896，其余OARs的DSCu均值均大于0.9。其中雙肺DSCu均值均大于0.972且MDA均值均小于0.62；健側(cè)乳腺DSCu均值均大于0.89且MDAu均值均小于1.68；心臟DSCu均值為0.949，MDAu均值為1.206。圖3a及圖3b為基于U-Net的自動勾畫方法對左、右側(cè)乳腺癌OARs的勾畫，如圖所示，自動勾畫方法所勾畫的輪廓與醫(yī)生手動勾畫輪廓基本一致，在正常乳腺的起始及結(jié)束層面的勾畫還有所欠缺，還需進一步修正。

表1 基于U-Net的自動勾畫方法的OARs勾畫準確度的評估參數(shù)（±s，mm）

表1 基于U-Net的自動勾畫方法的OARs勾畫準確度的評估參數(shù)（±s，mm）

OARs DSCu MDAu右側(cè)正常乳腺 0.906±0.029 1.374±0.505左側(cè)正常乳腺 0.896±0.012 1.673±0.525左肺 0.972±0.004 0.594±0.058右肺 0.975±0.004 0.619±0.073心臟 0.949±0.010 1.206±0.249

2.2 兩種自動勾畫方法的比較

如表2所示，雙側(cè)肺，左、右側(cè)正常乳腺及心臟的DSCu均值均大于DSCa均值，且MDAu均值均小于MDAa均值。其中左、右側(cè)正常乳腺的DSCu均值與DSCa均值差值最大，雙側(cè)肺的DSCu均值與DSCa均值差值最??；左、右側(cè)正常乳腺的MDAu均值與MDAa均值差值最大，雙側(cè)肺的MDAu均值與MDAa均值差值最小。如圖4所示，可以清楚的看到在雙側(cè)肺DSC折線圖中，除了個別點之外，由基于U-Net的自動勾畫模型勾畫的雙側(cè)肺的DSC折線均位于由基于atlas的自動方法勾畫的雙側(cè)肺的DSC折線之上，在MDA折線圖中，除了個別點之外，由基于U-Net的自動勾畫模型勾畫的雙側(cè)肺的MDA折線均位于由基于atlas的自動方法勾畫的雙側(cè)肺的MDA折線之下；心臟的DSC及MDA折線圖分布與雙肺相似，除個別點之外，在DSC折線圖中，基于U-Net的自動勾畫模型的勾畫的心臟的DSC折線均位于由基于atlas的自動方法勾畫的心臟的DSC折線之上，在MDA折線圖中，基于U-Net的自動勾畫模型勾畫的心臟的MDA折線均位于由基于atlas的自動方法勾畫的心臟的MDA折線之下；在左、右健側(cè)乳腺中，則可以看到在DSC折線圖中，由基于U-Net的自動勾畫模型勾畫的健側(cè)乳腺的DSC折線均位于由基于atlas的自動方法勾畫的健側(cè)乳腺的DSC折線之上，在MDA折線圖中，除個別點之外，由基于U-Net的自動勾畫模型勾畫的健側(cè)乳腺的MDA折線均位于由基于atlas的自動方法勾畫的健側(cè)乳腺的MDA折線之下。使用配對t檢驗對兩種勾畫方法對乳腺癌OARs的勾畫結(jié)果進行統(tǒng)計學分析，結(jié)果顯示，雙側(cè)肺，左、右側(cè)正常乳腺及心臟的DSC差異具有統(tǒng)計學意義（P＜0.05）。左側(cè)肺，左、右側(cè)正常乳腺及心臟的MDA差異具有統(tǒng)計學差異（P＜0.05），詳見表2。如圖3所示，基于U-Net的自動勾畫方法的勾畫輪廓與手動勾畫輪廓重合性較基于atlas的自動勾畫方法的好，且較其他OARs，健側(cè)乳腺的勾畫差異更為顯著。

圖3 兩種自動勾畫方法的OARs勾畫結(jié)果示意圖

表2 兩種自動勾畫方法OARs勾畫結(jié)果的比較（±s）

表2 兩種自動勾畫方法OARs勾畫結(jié)果的比較（±s）

注：DSCu及MDAu表示基于U-Net的自動勾畫方法的勾畫結(jié)果評價參數(shù)，DSCa及MDAa表示基于atlas的自動勾畫技術(shù)的的勾畫結(jié)果評價參數(shù)。

參數(shù) 右側(cè)正常乳腺 左側(cè)正常乳腺 左肺 右肺 心臟DSCu 0.906±0.029 0.896±0.012 0.972±0.004 0.975±0.004 0.949±0.010 DSCa 0.819±0.043 0.828±0.048 0.967±0.005 0.973±0.006 0.937±0.009 MDAu/mm 1.374±0.505 1.673±0.525 0.594±0.058 0.619±0.073 1.206±0.249 MDAa/mm 2.708±1.526 2.492±0.917 0.728±0.118 0.656±0.131 1.568±0.456 PDSC 0.001 0.003 ＜0.001 0.007 ＜0.001 PMDA 0.008 0.023 ＜0.001 0.153 0.004

圖4 兩種自動勾畫方法的OARs勾畫結(jié)果折線圖

3 討論

隨著精準放療時代的到來，提高OARs勾畫的準確性和一致性成為放射治療的關(guān)鍵步驟之一。通常手動勾畫OARs需要數(shù)十分鐘而自動分割技術(shù)只需數(shù)十秒，因此圖像的自動分割技術(shù)有利于加快放療進程從而防止腫瘤因為定位后的長時等待導致的進展。同時其也有利于促進自適應放療技術(shù)的發(fā)展，可縮短每日用于勾畫OARs所需消耗的時間[12]。本研究訓練了一種基于U-Net的自動分割方法用于早期乳腺癌OARs的自動分割。本研究訓練的自動分割方法對雙側(cè)肺的勾畫效果較好（DSC均大于0.972），在臨床應用過程中醫(yī)師基本不需要調(diào)整或只需要進行微調(diào)即可。左、右側(cè)正常乳腺及心臟的DSCu值分別為0.896，0.906及0.949。Zijdenbos等[18]認為DSC＞0.7表明勾畫效果較好，而本研究所設(shè)計的自動分割模型的自動勾畫效果優(yōu)于此標準(DSC均大于0.89)，說明所建模型具有較好的性能。

目前有很多關(guān)于OARs的自動分割的研究[19-22]，其中大部分的研究都是關(guān)于頭頸部OARs的自動分割。在乳腺癌的放射治療過程中，相比其他胸部腫瘤，對健側(cè)乳腺的保護也是不可缺少的。由于乳腺形態(tài)及類型的多樣性，基于atlas的自動勾畫技術(shù)的勾畫準確性較差，在相同數(shù)量訓練數(shù)據(jù)集的情況下，其對正常乳腺的勾畫準確性較本研究所訓練的基于U-Net的自動分割方法的自動分割準確性差。如圖4所示，則可以看到在DSC折線圖中，由基于U-Net的自動勾畫模型勾畫的健側(cè)乳腺的DSC折線均位于由基于atlas的自動方法勾畫的健側(cè)乳腺的DSC折線之上。說明在每一例健側(cè)乳腺的勾畫中，基于U-Net的自動分割方法與手動勾畫方法的勾畫輪廓重合性均高于基于atlas的勾畫結(jié)果（圖3）。因此在對于健側(cè)乳腺的自動勾畫，本研究訓練的方法優(yōu)于基于atlas的自動勾畫方法。本研究所訓練的自動分割方法可以運用于臨床并輔助醫(yī)生對乳腺癌OARs的自動勾畫，有利于減少醫(yī)生的勾畫時間，提高工作效率。本研究所訓練的自動分割方法勾畫的OARs適用于無鎖骨以上靶區(qū)的乳腺癌放療中周圍正常組織的保護，而對于有鎖骨以上靶區(qū)的乳腺癌則需要醫(yī)師對另外所需的OARs進行補充勾畫。因此在今后的研究中，可進一步增加臂叢、甲狀腺、氣管、脊髓等OARs作為訓練對象，從而進一步減少醫(yī)生補充修改勾畫的時間。

4 結(jié)論

綜上所述，基于U-Net的自動勾畫模型在乳腺癌危及器官勾畫中具有較好的勾畫效果，且其勾畫準確性較基于atlas的自動勾畫方法的高。