基于U-net33+的宮頸癌后裝治療中靶區(qū)和危及器官位置的預(yù)測

李 霞，楊 磊，楊日贈，吳德華

1南方醫(yī)科大學(xué)南方醫(yī)院放療科，廣東 廣州 510515；2贛州市人民醫(yī)院（南方醫(yī)院贛州醫(yī)院）腫瘤科，江西 贛州341000

宮頸癌是全球發(fā)病率第4位的惡性腫瘤，嚴(yán)重威脅女性健康［1］。國際婦產(chǎn)科聯(lián)盟推薦外照射結(jié)合后裝治療作為宮頸癌的重要的治療手段［2-4］。在精準(zhǔn)放療的大背景下，三維后裝治療計劃的應(yīng)用進(jìn)一步提高了宮頸癌患者的療效，而精準(zhǔn)的靶區(qū)和危及器官的輪廓勾畫是三維后裝治療計劃的基本要求［5］。但在實際工作中，放療醫(yī)生常常使用手工勾畫的方式，費(fèi)時費(fèi)力，且一致性差［6］。靶區(qū)勾畫階段在醫(yī)生給患者實施施源器植入術(shù)后進(jìn)行，患者需等待較長時間方可進(jìn)入治療階段，并在此期間盡量保持體位不變，縮短患者的等待時間尤為迫切，進(jìn)一步縮短模型訓(xùn)練及預(yù)測時間十分必要。深度學(xué)習(xí)［7］作為人工智能［8］中非常重要的一種方法，廣泛應(yīng)用于自動勾畫及位置預(yù)測中，并取得良好的效果。在近距離放射治療中，已有學(xué)者將深度學(xué)習(xí)應(yīng)用于前列腺惡性腫瘤的相關(guān)研究［9］，但在宮頸癌的研究中，大多數(shù)應(yīng)用外照射治療［10］，或聚焦于近距離治療的劑量學(xué)研究［11-13］，同時存在病例較少和使用較舊的網(wǎng)絡(luò)架構(gòu)等問題。將最新深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)應(yīng)用于后裝治療中靶區(qū)和危及器官的位置預(yù)測研究未見報道。本研究擬通過構(gòu)建基于最新的U-net3+架構(gòu)的端到端自動分割框架，降低模型參數(shù)量，提高運(yùn)行效率，縮短患者等待時間，使用雙中心數(shù)據(jù)進(jìn)行模型構(gòu)建和驗證，并對人工及自動勾畫結(jié)果進(jìn)行對比，探討U-net3+架構(gòu)自動位置預(yù)測模型在臨床中的應(yīng)用價值。

1 資料與方法

1.1 一般資料

本研究回顧性收集了南方醫(yī)科大學(xué)南方醫(yī)院放療科及贛州市人民醫(yī)院（南方醫(yī)院贛州醫(yī)院）腫瘤科2017年4月～2022年8月的共213例宮頸癌患者的CT圖像，其中南方醫(yī)科大學(xué)南方醫(yī)院159例，贛州市人民醫(yī)院（南方醫(yī)院贛州醫(yī)院）54例。納入標(biāo)準(zhǔn)：均為接受后裝治療插植針植入術(shù)的宮頸癌患者。排除標(biāo)準(zhǔn)：只使用單一宮腔管或者穹窿管進(jìn)行后裝治療的宮頸癌患者。213例患者的年齡為42～77歲，平均56.9歲；均經(jīng)病理證實，根據(jù)國際婦產(chǎn)科聯(lián)盟分期原則，分別有ⅡA期30例，ⅡB期51例，ⅢB期102例，ⅣA期30例。本研究獲得了醫(yī)院醫(yī)學(xué)倫理委員會的批準(zhǔn)，并免除患者知情同意。

1.2 施源器置入、CT圖像獲取

放療醫(yī)生根據(jù)患者初步獲取的CT圖像進(jìn)行宮腔管的選取，確定適當(dāng)?shù)牟逯册様?shù)量，并以徒手的方式進(jìn)行宮腔管置入及插植針的植入。本研究采用飛利浦Brilliance型號大孔徑16排CT模擬定位機(jī)進(jìn)行圖像采集，掃描電壓為140 kV，掃描電流為250 mAs，掃描層厚及層距為3 mm，所有建模及測試的CT圖像均統(tǒng)一為DICOM格式，圖像分辨率為512×512。所有CT圖像均使用直方圖均衡化預(yù)處理程序?qū)⒘炼确植歼M(jìn)行一致化處理。在獲取CT圖像時，醫(yī)生會根據(jù)患者膀胱充盈情況，通過提前插好的導(dǎo)尿管注入50～200 mL加有造影劑的生理鹽水。為了更好地顯示膀胱輪廓，將無菌造影劑與生理鹽水以3：100的比例配比，均勻混合后通過留置尿管注入患者膀胱內(nèi)。最終將獲取的CT影像傳輸至計劃系統(tǒng)（瑞典Oncentra）。

1.3 圖像勾畫

特征輪廓由具有5年以上宮頸癌后裝治療經(jīng)驗的臨床醫(yī)生進(jìn)行手動勾畫，根據(jù)歐洲放射治療與腫瘤學(xué)學(xué)會臨床指南中3D圖像引導(dǎo)后裝治療工作組的推薦[14]分別進(jìn)行高危臨床靶區(qū)（HRCTV）和危及器官的勾畫（圖1）。本研究中包含的危及器官主要有膀胱、直腸、小腸。

圖1 后裝放射治療結(jié)構(gòu)輪廓圖Fig.1 Contouring of the structures of after-loading radiation therapy

1.4 自動預(yù)測模型構(gòu)建

U-net［15］廣泛應(yīng)用于圖像分割、位置預(yù)測等圖像處理任務(wù)，特別是醫(yī)學(xué)圖像處理。U-net3+是U-net的最新改進(jìn)框架，在多個數(shù)據(jù)集中均顯示出性能上的優(yōu)勢［16］。本研究使用U-net3+深度神經(jīng)網(wǎng)絡(luò)作為框架（圖2），通過下采樣并增加通道使數(shù)據(jù)量保持一致，最后通過反向的上采樣和縮減通道，最終輸出和輸入矩陣一致的圖像。由于U-net3+可將特征圖進(jìn)行融合，增加了圖像通道，從而進(jìn)一步提高了分割精度［17］。

圖2 U-net3+網(wǎng)絡(luò)框架Fig.2 U-net3+network framework.

1.5 模型訓(xùn)練

隨機(jī)從贛州市人民醫(yī)院的54例數(shù)據(jù)中抽取21例作為最終測試集，在其余數(shù)據(jù)隨機(jī)抽取訓(xùn)練集149例，驗證集43例，以實現(xiàn)訓(xùn)練集、驗證集和測試集為7:2:1的比例。訓(xùn)練的內(nèi)容包括HRCTV、膀胱、直腸、小腸4個部分。實驗使用基于Python的Keras框架［18］來進(jìn)行模型的構(gòu)建。訓(xùn)練Epoch為200，batch_size為16。使用Adam作為優(yōu)化器，learning rate［19］為0.0001，使用戴斯相似系數(shù)（DSC）作為損失函數(shù)。硬件平臺采用Intel Xeon E5@3.20GHz處理器，內(nèi)存為64 GB，2塊NVIDIA GeForce RTX?3080 Ti GPU。

1.6 評估方法

使用豪斯多夫距離（HD）［20］和DSC［21］來評估模型。HD的公式如下：

其中h(A,B)表示來自A集合中任意每一個點(diǎn)，到B集合中的最小距離的最大值。HD越小，表示位置預(yù)測模型預(yù)測效果越好。

DSC的公式如下：

其中A是醫(yī)生勾畫部分，B是模型預(yù)測部分，分子是醫(yī)生勾畫部分與模型預(yù)測部分的2倍，分母是醫(yī)生勾畫部分與模型預(yù)測部分兩者的并集。DSC越大，模型效果越好。

2 結(jié)果

2.1 訓(xùn)練結(jié)果

繪制訓(xùn)練過程曲線可見模型在經(jīng)歷200 個批次Epoch 訓(xùn)練之后，逐漸收斂并趨于穩(wěn)定（圖3）。位置預(yù)測模型中驗證集損失函數(shù)［22-23］分別為：膀胱0.05、直腸0.03、小腸0.06。位置預(yù)測模型中HRCTV模型驗證集損失函數(shù)最終收斂值為0.06。

圖3 損失值隨訓(xùn)練次數(shù)變化曲線Fig.3 Loss value changing with the times of training.A:Bladder;B:Rectum;C:Small intestine;D:HRCTV.

2.2 模型自動預(yù)測位置結(jié)果

在對危及器官的位置預(yù)測中，平均DSC 值為0.898，平均HD值為5.4 mm，位置預(yù)測模型對危及器官及靶區(qū)的預(yù)測結(jié)果顯示（表1），膀胱的DSC值為0.953，直腸和小腸的DSC 值分別為0.885 和0.857。在對HRCTV的訓(xùn)練中，DSC值為0.869，HD值為8.1 mm。自動勾畫結(jié)果（圖4）。

表1 位置預(yù)測準(zhǔn)確性結(jié)果Tab.1 Quantification of the accuracy of automatic segmentation

圖4 自動勾畫結(jié)果Fig.4 Automatic segmentation results.A and E,B and F,C and G,D and H indicated the bladder,rectum,small intestine and HRCTV outline results respectively,while A and E indicated the bladder outline results of case 1 and case 2 respectively,B and F indicated the rectum outline results of case 1 and case 2 respectively,C and G indicated the small intestine outline results of case 1 and case 2 respectively,D and H indicated the HRCTV outline results of case 1 and case 2 respectively.The yellow line indicated the manually outlined contour line,and the red line indicated the automatically outlined result.

3 討論

本課題基于新型的U-net3+神經(jīng)網(wǎng)絡(luò)，構(gòu)建了宮頸惡性腫瘤患者在接受后裝放射治療時HRCTV和周圍危及器官膀胱、直腸、小腸的自動位置預(yù)測模型并進(jìn)行驗證。針對傳統(tǒng)的U-net神經(jīng)網(wǎng)絡(luò)訓(xùn)練工作量大、數(shù)據(jù)集訓(xùn)練耗時較長等問題，U-net3+神經(jīng)網(wǎng)絡(luò)對特征信息的提取更加敏感，分割更加精準(zhǔn)，加上其先進(jìn)的網(wǎng)絡(luò)構(gòu)架，使得訓(xùn)練時間進(jìn)一步下降。

本研究采用了雙中心數(shù)據(jù)，使用一個中心的數(shù)據(jù)進(jìn)行建模，使用另一個中心的數(shù)據(jù)進(jìn)行測試。雙中心數(shù)據(jù)的使用和相應(yīng)的實驗設(shè)計提高了模型的泛化能力和魯棒性[24-26]。實驗結(jié)果表明，在這個模型下，所研究的各輪廓特征信息提取結(jié)果較好，達(dá)到了預(yù)期效果，其中膀胱的位置預(yù)測準(zhǔn)確性較高，DSC值達(dá)0.953，優(yōu)于其他研究結(jié)果[10]，而因患者腸道準(zhǔn)備情況不同，加上腸道本身的蠕動，高危臨床靶區(qū)的位置和大小都有一定差別，直腸、小腸和HRCTV的結(jié)果相對較低。腸道中存在的氣體以及尿管氣囊中的氣體在CT圖像想表現(xiàn)為低密度區(qū)域，這都對實驗結(jié)果的準(zhǔn)確性產(chǎn)生一定影響。

本研究在數(shù)據(jù)處理時，用于訓(xùn)練集的輪廓信息來源于人工勾畫，雖然選擇了有經(jīng)驗的臨床醫(yī)生進(jìn)行勾畫，但是仍可能存在一定主觀偏差，我們將在未來的工作中繼續(xù)深入挖掘，進(jìn)一步改進(jìn)方法，提高算法的泛化能力、準(zhǔn)確率和魯棒性。

綜上所述，本研究所采用的深度學(xué)習(xí)模型對特征部位的分割結(jié)果良好，位置預(yù)測準(zhǔn)確性較高，且模型訓(xùn)練耗時少，大大縮短了患者治療前的等待時間，提高患者依從性，為腫瘤患者進(jìn)一步實現(xiàn)精準(zhǔn)放射治療打下了堅實的理論基礎(chǔ)，有望應(yīng)用于臨床，對臨床工作有一定的指導(dǎo)作用。但在實際臨床工作中，因為腸道蠕動等多種因素使得自動勾畫結(jié)果會有一定偏差，這就要求臨床醫(yī)生在使用自動勾畫初步獲得對應(yīng)解剖結(jié)構(gòu)輪廓以后做出評估和適當(dāng)修改。