兩種自動(dòng)勾畫方法對上腹部危及器官勾畫結(jié)果對比分析

高山寶，侯震，李雙雙，劉娟，閆婧

南京大學(xué)醫(yī)學(xué)院附屬鼓樓醫(yī)院 腫瘤中心，南京 江蘇 210008

引言

目前，有多種自動(dòng)勾畫軟件已經(jīng)開始在放療中使用，可以自動(dòng)勾畫靶區(qū)和危及器官（Organs-At-Risk，OARs），為臨床節(jié)省了大量時(shí)間。然而由于患者的個(gè)體差異，靶區(qū)的自動(dòng)勾畫結(jié)果目前還需要人工修改后才能臨床使用[1-4]，但是OARs的自動(dòng)勾畫已經(jīng)與人工勾畫差別不大[5-8]。目前自動(dòng)勾畫OARs輪廓主要有兩種技術(shù)路線：一是利用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)（Deep Learning，DL）算法和具有相應(yīng)勾畫數(shù)據(jù)的圖像訓(xùn)練并建立自動(dòng)勾畫模型；另一種是基于圖譜庫（Atlas）形變配準(zhǔn)進(jìn)行自動(dòng)勾畫。在日常使用中，基于兩種不同技術(shù)路線的自動(dòng)勾畫軟件在頭頸部、胸部和盆腔的OARs勾畫均可以滿足臨床要求，然而對上腹部OARs的勾畫結(jié)果差異很大[9-11]。為了確定哪種技術(shù)路線更適用于上腹部OARs的自動(dòng)勾畫，本研究對比了基于DL和Atlas的自動(dòng)勾畫方法對上腹部放射治療OARs勾畫效果，為臨床工作提供參考。由于基于同樣的技術(shù)建立的模板都會(huì)因人而異，如建立Atlas模板病例數(shù)、軟件版本的不同會(huì)導(dǎo)致勾畫ORAs的不同[12-14]，DL算法所使用的模型結(jié)構(gòu)、調(diào)試參數(shù)及訓(xùn)練病例的差異也會(huì)導(dǎo)致勾畫結(jié)果有所差異[15]。為了減小這些由技術(shù)條件導(dǎo)致的差別，使研究結(jié)果具有普適性，本研究所使用的軟件均是目前商用的成熟產(chǎn)品（已取得CFDA認(rèn)證），自動(dòng)勾畫所使用的通用模板均經(jīng)過反復(fù)調(diào)整測試達(dá)到最優(yōu)化。

1 資料與方法

1.1 臨床資料

回顧性選擇2015—2017年南京鼓樓醫(yī)院腫瘤中心收治的27例放療部位位于上腹部的患者的CT圖像，所有患者均采用仰臥位，使用胸腹部熱塑膜固定，掃描前飲水400 mL，圖像采集使用Brilliance 6排螺旋CT模擬定位機(jī)(荷蘭飛利浦公司)，層厚為5 mm。

1.2 手動(dòng)勾畫和基于Atlas自動(dòng)勾畫危及器官

將掃描獲取的CT圖像分別傳至Pinnacle3治療計(jì)劃系統(tǒng)工作站。先由高年資專業(yè)放療醫(yī)師在上腹部顯示模式下（窗寬：400，窗位：800）手動(dòng)勾畫左右腎、肝臟和脊髓。然后使用 Pinnacle3治療計(jì)劃系統(tǒng)的Auto Segmentation功能模塊選擇Abdomen這一選項(xiàng)自動(dòng)勾畫上述病例CT影像中的OARs，該模塊采用基于Atlas的方法實(shí)現(xiàn)自動(dòng)勾畫。

1.3 基于深度學(xué)習(xí)自動(dòng)勾畫危及器官

將掃描獲取的CT圖像分別傳至 AccuContour工作站（Manteia數(shù)據(jù)科技有限公司提供），運(yùn)行AccuContour，選取上腹部選項(xiàng)中的左右腎、肝臟和脊髓，自動(dòng)勾畫上述病例CT影像中的OARs，該軟件基于采用卷積神經(jīng)網(wǎng)絡(luò)的DL算法，由醫(yī)院方面提供標(biāo)準(zhǔn)勾畫數(shù)據(jù)，由Manteia公司進(jìn)行數(shù)據(jù)訓(xùn)練并最終形成符合醫(yī)院標(biāo)準(zhǔn)的自動(dòng)勾畫模型。

1.4 評價(jià)指標(biāo)

以醫(yī)生手工勾畫作為標(biāo)準(zhǔn)與自動(dòng)勾畫結(jié)果比較，計(jì)算兩組勾畫結(jié)果的豪斯多夫距離（Hausdorff Distance，HD）、平均最小距離（Mean Distance to Agreement，MDA）、戴斯相似性系數(shù)（Dice Similarity Coefficient，DSC）、Jaccard相似系數(shù)（Jaccard similarity coefficient，Jaccard）。

1.4.1 HD

用來衡量A、B 在三維空間上的表面距離，其計(jì)算公式為：

‖·‖是點(diǎn)集A和B點(diǎn)集間的距離范式。這里,式(1)稱為雙向Hausdorff距離,是Hausdorff距離的最基本形式；式(2)中的h(A,B)和式(3)中的h(B,A)分別稱為從A集合到B集合和從B集合到A集合的單向Hausdorff距離。即h(A,B)實(shí)際上首先對點(diǎn)集A中的每個(gè)點(diǎn)ai到距離此點(diǎn)ai最近的B集合中點(diǎn)bj之間的距離‖ai-bj‖進(jìn)行排序，然后取該距離中的最大值作為h(A,B)的值，h(B,A)同理可得。由式(1)知：雙向Hausdorff距離H(A,B)是單向距離h(A,B)和h(B,A)兩者中的較大者，它度量了兩個(gè)點(diǎn)集間的最大不匹配程度。

1.4.2 MDA

與HD類似用來衡量 A、B 在三維空間上的表面距離，其計(jì)算公式為：

MDA是兩個(gè)勾畫的點(diǎn)對之間距離的平均值。

1.4.3 DSC

用于計(jì)算A與B兩個(gè)集合之間的重疊區(qū)域所占比例，其計(jì)算公式為：

其值的范圍從0到1，越接近于1，表示兩種勾畫方式的重合性越好。

1.4.4 Jaccard系數(shù)

用于度量A、B兩個(gè)集合之間的相似性，其計(jì)算公式為：

其中，0≤J(A,B)≤1，J值越大，勾畫的相似度越高。

1.5 統(tǒng)計(jì)學(xué)方法

采用SPSS 19.0對以上各參數(shù)進(jìn)行配對t檢驗(yàn)，結(jié)果以（±s）表示，P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

表1列出了AccuContour（DL-based） 和Auto Segmentation（Atlas-based）兩個(gè)模型對左右腎、肝臟和脊髓的勾畫準(zhǔn)確性指標(biāo)?；贏tlas勾畫的右腎和肝臟顯示常用的DSC指標(biāo)均大于0.7，表明兩個(gè)自動(dòng)勾畫的輪廓和手工勾畫的輪廓相差不大，勾畫效果可以接受[16-17]。而左腎的勾畫效果很差，DSC系數(shù)（0.43±0.37）和Jaccard系數(shù)（0.35±0.31）均低于0.5，表明大部分左腎的Atlas的勾畫都需要重新手工進(jìn)行?；贒L算法的左右腎和肝臟的勾畫效果都很好，DSC系數(shù)在0.9左右，Jaccard系數(shù)在0.8左右。而對于脊髓，四個(gè)評估指標(biāo)均不令人滿意。

表1 基于DL與Atlas方法自動(dòng)勾畫結(jié)果評價(jià)指標(biāo)（±s）

表1 基于DL與Atlas方法自動(dòng)勾畫結(jié)果評價(jià)指標(biāo)（±s）

危及器官HD/mm MDA/mm DSC Jaccard DL Atlas P值 DL Atlas P值 DL Atlas P值 DL Atlas P值左腎 14.77±5.46 48.29±28.85 ＜0.001 1.42±0.52 15.79±13.95 ＜0.001 0.90±0.04 0.43±0.37 ＜0.001 0.83±0.07 0.35±0.31 ＜0.001右腎 16.31±9.91 21.91±13.09 0.015 2.07±2.41 4.02±4.93 0.031 0.87±0.12 0.77±0.22 0.009 0.79±0.15 0.66±0.22 0.002肝臟 36.44±26.88 26.93±13.35 0.147 3.09±4.09 3.05±1.22 0.957 0.92±0.06 0.89±0.03 0.079 0.85±0.08 0.81±0.04 0.034脊髓 88.66±27.69 85.32±29.28 0.496 11.37±6.08 11.23±6.76 0.893 0.60±0.09 0.63±0.08 0.008 0.43±0.09 0.47±0.09 0.008

從上表中的比較結(jié)果可見，DL在左右腎的勾畫上的4個(gè)評估參數(shù)均優(yōu)于Atlas且差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）；對肝臟勾畫，只有Jaccard相似系數(shù)的評估DL優(yōu)于Atlas，差異有統(tǒng)計(jì)學(xué)意義（P=0.03）。而對于脊髓的勾畫，DSC和Jaccard系數(shù)均顯示DL劣于Atlas，差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）。

基于DL的自動(dòng)勾畫運(yùn)用在上腹部時(shí)的結(jié)果總體上優(yōu)于基于Atlas的自動(dòng)勾畫結(jié)果。如圖1所示，肝臟的體積大且有的邊界不清，DL算法識別時(shí)有的病例會(huì)將靠近的軟組織器官也勾畫在內(nèi)，致使HD和MDA偏大，基于Atlas的自動(dòng)勾畫對肝臟的整體形狀識別較好，符合Atlas特征，但邊界的分割不如DL算法準(zhǔn)確，所以Jaccard系數(shù)顯示DL算法勾畫的肝臟輪廓更接近于手工勾畫。

圖1 兩種方法對肝臟的勾畫結(jié)果

左右腎由于是相對獨(dú)立的臟器，DL算法識別準(zhǔn)確，有著明顯的優(yōu)勢?；贏tlas的自動(dòng)勾畫運(yùn)用在左腎上時(shí)結(jié)果很差的原因是27例中有11例匹配到脾臟上導(dǎo)致DSC和Jaccard系數(shù)等于或接近于0。如圖2所示，脊髓的勾畫兩種方法在四項(xiàng)評估指標(biāo)上都不高，究其原因是人工勾畫脊髓時(shí)只到第二腰椎下緣就結(jié)束了，而自動(dòng)勾畫因無法判斷脊髓末端位置從而將馬尾神經(jīng)當(dāng)作了脊髓，DL算法在勾畫脊髓時(shí)DSC和Jaccard系數(shù)劣于Atlas，是因?yàn)楣串嫷妮喞苏麄€(gè)脊髓腔導(dǎo)致偏大，這也是該軟件以后需要改進(jìn)的地方。

圖2 兩種方法對腎臟和脊髓的勾畫結(jié)果

3 討論

目前，已經(jīng)有多款基于Atlas自動(dòng)勾畫的軟件上市并運(yùn)用于臨床工作，例如MIM軟件（MIM Software Inc.,Cleveland，OH）、Eclipse 治療計(jì)劃系統(tǒng)中的 SmartAdapt模塊和Velocity模塊（Varian Medical Systems，Palo Alto，CA）、ABAS軟 件（Atlasbased autosegmentation，Elekta Medical System，Stockholm，Sweden）。這些軟件用來勾畫OARs，可以將放射腫瘤醫(yī)師從這些大量且重復(fù)的工作中解放出來，節(jié)約了寶貴的時(shí)間。從臨床使用效果來看，這些軟件在勾畫頭頸部、胸部和盆腔的OARs時(shí)效果較好，究其原因，這些部位的骨性標(biāo)志和肺或空腔使得Atlas中的結(jié)構(gòu)標(biāo)記容易通過剛性配準(zhǔn)映射到目標(biāo)圖像上，再略加形變即可取得不錯(cuò)的效果。但是在腹部OARs大都是軟組織密度，且有的界限不明確，使得形變配準(zhǔn)時(shí)容易產(chǎn)生偏差。本研究所用的AccuContour軟件使用了unet_2d或vnet模型結(jié)構(gòu)，在數(shù)據(jù)集導(dǎo)入后，系統(tǒng)自動(dòng)按一定的比例將數(shù)據(jù)用于訓(xùn)練、驗(yàn)證和測試。訓(xùn)練數(shù)據(jù)會(huì)被用于實(shí)際的模型訓(xùn)練，驗(yàn)證數(shù)據(jù)可以幫助對模型進(jìn)行批量大小、窗口采樣方式、學(xué)習(xí)率等參數(shù)的調(diào)整，以及在訓(xùn)練過程中對于訓(xùn)練效果的監(jiān)測，測試數(shù)據(jù)用于最后的效果評價(jià)（絕大多數(shù)數(shù)據(jù)集使用DSC），所以基于DL的自動(dòng)勾畫能夠與人工勾畫保持很高的相似性，對軟組織邊界的判斷更加精準(zhǔn)[18-19]。

本研究所示，上腹部OARs自動(dòng)勾畫的難點(diǎn)在于如何區(qū)分脊髓和馬尾神經(jīng)。因這兩種OARs在CT影像中的顯示均為軟組織密度（CT值約20～40），人工勾畫時(shí)也是通過第二腰椎來判斷兩者的分割位置，現(xiàn)有用來區(qū)分脊髓和馬尾神經(jīng)或是椎間盤的自動(dòng)勾畫算法也是在基于MR圖像上實(shí)現(xiàn)的[20-21]。本研究所用的AccuContour軟件勾畫脊髓使用的是unet_2d模型，其優(yōu)勢在于處理單層CT圖像是全分辨率輸入，相較于unet_3d的采樣輸入，邊界判斷更加準(zhǔn)確。但是若需要判斷第二腰椎則需要用unet_3d來處理，目前GPU內(nèi)存是瓶頸[22]，雖然全分辨率輸入需要處理的數(shù)據(jù)量大增，但是能夠保持OARs相鄰層面的連續(xù)性，避免出現(xiàn)圖1中對靠近肝臟的胃腸道判斷錯(cuò)誤的情況。所以從本研究DL算法中的缺陷可以看出從二維到三維也是DL算法發(fā)展的必經(jīng)之路，簡化三維DL算法將是未來的發(fā)展方向。

本研究所用的AccuContour軟件還可以自動(dòng)勾畫胃、十二指腸、胰腺等上腹部OARs，而這些臟器沒有相對固定的形狀，Atlas也無法建立合適的模板，所以Auto Segmentation功能模塊只提供了研究所用的四種上腹部OARs的自動(dòng)勾畫，而DL算法模板卻可以勾畫得相當(dāng)準(zhǔn)確，可見DL算法模板更適合用于上腹部OARs的自動(dòng)勾畫。

4 總結(jié)

綜合本研究來看，在自動(dòng)勾畫上腹部OARs時(shí)，基于Atlas建立的模板在判斷各軟組織器官的邊界上有著先天的不足，而目前基于DL算法建立的模板已經(jīng)能夠提供更加準(zhǔn)確地勾畫，可以替代Atlas用于臨床。雖然現(xiàn)在的DL算法模板還不是3D數(shù)據(jù)處理，但是依然可以嘗試著用于某些腫瘤靶區(qū)的自動(dòng)勾畫，如鼻咽癌腫瘤臨床靶區(qū)（Clinical Target Volume，CTV），直腸癌CTV，宮頸癌CTV等，這些CTV均包括了特定范圍的淋巴引流區(qū)，腫瘤放療醫(yī)師在勾畫時(shí)費(fèi)時(shí)費(fèi)力，建立了合適的模板就可以節(jié)省大量的時(shí)間精力。又或是為物理師建立模板用于勾畫上述腫瘤調(diào)強(qiáng)治療計(jì)劃所用的輔助限制劑量區(qū)域，同樣也可以節(jié)省物理師的工作時(shí)間。所以利用基于卷積神經(jīng)網(wǎng)絡(luò)的DL算法在以后的放療工作中有著廣闊的應(yīng)用前景，必將越來越多地在臨床工作中得到使用。