基于MIM軟件模版數據庫的病例數對危及器官自動勾畫的探討*

谷珊珊 田娟秀 王運來 宋明永 王金媛 王曉深 鞠忠建*

隨著現代醫學的進步，越來越多的腫瘤患者需要接受放射治療[1-2]。然而，患者在治療過程中由于體重減輕、腫瘤縮小、系統運動(如呼吸)和隨機運動等各種原因，計劃CT掃描中顯示的解剖信息在治療期間經常改變，影響放射治療計劃的靶區覆蓋率和危及器官的保護效果[3]。自適應放射治療(adaptive radiation therapy，ART)通過治療前圖像引導觀察治療過程中的解剖變化，并在患者腫瘤和危及器官的實際信息與定位信息發生明顯偏差時調整治療計劃。ART需要在最近采集的圖像上勾畫靶區和危及器官以觀察劑量變化，但臨床醫生運用CT圖像勾畫危及器官工作量大，采用MIM軟件幫助醫生進行危及器官的自動勾畫，可減少醫生的大量重復性工作[4]。由于模版數據庫所需病例基數大，限于臨床收治患者數量，各醫院入庫病例數無統一指導標準。

基于解放軍總醫院收治鼻咽癌患者數量多，原始病例資料積累多，可入庫病例數多，本研究探討采用MIM軟件模板數據庫中病例數對頭部危及器官自動勾畫的影響，指導臨床選取最佳病例數構成自動勾畫數據庫。

1 資料與方法

1.1 一般資料

選取解放軍總醫院放射治療科2015年6月至2016年8月收治的150例鼻咽癌患者，其中男性87例，女性63例；年齡12～89歲，中位年齡51歲。按照數表法隨機將150例患者分為a、b、c、d共4組，a組(10例)，b組在a組基礎上+40例(50例)，c組在b組基礎上+50例(100例)，d組在c組基礎上+50例(150例)。在MIM軟件中分別建立a、b、c、d組患者的數據庫，數據庫包含CT圖像和醫生手動勾畫的危及器官輪廓信息。另選取2016年9月后收治的10例非數據庫患者的頭部CT圖像進行危及器官的自動勾畫，與醫生手動勾畫結果作為金標準進行比較。采用頭肩一體膜定位，使用西門子SOMATOM Definition AS CT掃描機掃描后圖像傳至醫生工作站，圖像格式為DICOM，層厚均為3 mm，醫生手動勾畫危及器官。

1.2 MIM軟件

MIM Maestro擁有用戶自定義Atlas庫、自動Atlas對象選擇以及VoxAlign算法，Contour CoPilot為CT和MR圖像提供自動勾畫解決方案。Atlas數據庫使用基于交互信息的算法，選擇一個與測試患者最佳匹配的病例，將該病例的勾畫輪廓進行形變，形變的結果映射到測試患者CT上，形成自動勾畫的輪廓[5]。與預先勾畫整個器官或組織然后逐切面調整的方法相比，Contour CoPilot能學習勾畫修改，為醫生節省時間。MIM軟件的自動勾畫功能可以融入到編輯工作流中，在任意平面和任意模態均能實施自動勾畫。

1.3 Atlas數據庫的建立

將篩選的4組150例頭部CT圖像在MIM軟件中建立a、b、c、d對應的4組數據庫，數據庫中包含CT圖像和醫生手動勾畫的危及器官輪廓信息。將另選取的10例患者的頭部CT圖像，進行危及器官的Atlas自動勾畫，包括腦干、脊髓、眼球、晶體、視神經、內耳、腮腺、顳頜關節、口腔等危及器官或組織。醫生手動勾畫10例頭部CT圖像的危及器官或組織作為金標準，將MIM軟件自動勾畫的結果與金標準進行比較。

1.4 評價標準

運用形狀相似性系數(dice similarity coefficient，DICE)、豪斯多夫距離及Jaccard距離進行評估。

(1)DICE的計算為公式1：

式中VA表示自動勾畫輪廓的體積，VB表示醫生手動勾畫輪廓的體積，DICE值越接近于1，表明兩樣本之間形狀相似性越大。

(2)定義空間中的兩個點集A={a1，a2，…}，B={b1，b2，…}，豪斯多夫距離用來衡量點集A、B間的距離，其計算為公式2：

(3)Jaccard距離用于描述集合之間的不相似度。Jaccard距離數值越大，樣本相似度則越低，其計算為公式3：

2 結果

2.1 危及器官或組織的DICE值

四組數據庫自動勾畫的危及器官DICE值在0.5～0.9之間，眼球、內耳、口腔、腮腺等器官勾畫結果DICE值均＞0.8。模板數據庫包含病例數越多，眼球、內耳、脊髓、視神經等器官DICE值越高。Atlas自動勾畫表明，眼球、內耳、口腔及腮腺的DICE值較其他危及器官或組織高，見表1。

2.2 危及器官或組織的豪斯多夫距離值

眼球、內耳、顳頜關節、晶體等危及器官或組織的豪斯多夫距離(標準差)均值＜0.2，模板數據庫包含病例數越多，眼球、內耳、視神經等器官的豪斯多夫距離(標準差)值越小，見表2。

2.3 危及器官或組織的Jaccard距離值

模板數據庫包含病例數越多，Jaccard距離值越小，其中內耳、顳頜關節、晶體、視神經均值＜0.4，Atlas自動勾畫的樣本相似度高于其他危及器官或組織，見表3。

表1 危及器官或組織的DICE值

表2 危及器官或組織的豪斯多夫距離值(cm)

表3 危及器官或組織的Jaccard距離值

MIM在模板數據庫中尋找匹配的病例進行配準和輪廓映射，與醫生手動勾畫比較能較為準確的勾畫危及器官的輪廓。眼球、視神經、內耳、顳頜關節、口腔、腮腺等器官勾畫準確，晶體及腦干勾畫相對較差，如圖1所示。

圖1 危及器官或組織勾畫示圖

3 討論

危及器官或組織的自動勾畫是目前放射治療的研究熱點，各種半自動和自動勾畫算法提供了大部分危及器官自動勾畫的方法[6-8]。放射治療計劃基于CT圖像的電子密度信息進行劑量計算，腦干、內耳、口腔等危及器官或組織的圖像解剖與周圍器官或組織差異小，一直是頭頸部危及器官自動勾畫的難點[9-10]。基于Atlas分割的自動勾畫方法采用大數據的深度學習，與CT圖像配準結合，選取最優的勾畫輪廓進行映射。

MIM軟件在臨床應用廣泛，已成為臨床圖像處理不可或缺的一部分，選取合適的病例數構成模板非常重要[11-12]。MIM軟件構建圖像數據庫操作簡便，本研究歷年收治的鼻咽癌病例數較多，臨床積累的大批基礎數據可篩選入庫。研究證明，眼球、內耳、脊髓、視神經等危及器官宜選用病例數多的模板數據庫進行自動勾畫，模板數據庫中包含的病例數對腦干、顳頜關節、晶體、口腔、腮腺等危及器官或組織的自動勾畫的DICE值無明顯影響。但是，Atlas數據庫中病例數越多，Jaccard距離值越小，Atlas自動勾畫和醫生手動勾畫的輪廓相似度越高。晶體、腦干等器官還需要開發相應的算法進行自動勾畫。

4 結語

目前開發的自動勾畫軟件較多，但距離輪廓精確勾畫尚有差距，自動勾畫輪廓后仍需臨床工作者手動修改。基于大數據的深度學習是研究輪廓自動勾畫算法的熱點，取得了較好的勾畫結果，節省了大量的重復性工作。在今后的研究中，應有更多的患者資料進入數據庫，并根據患者的性別、年齡、體重、腫瘤位置、腫瘤體積等基本信息進行分組，以取得更好的形變結果。

[1]Chun SG，Hu C，Choy H，et al.Impact of Intensity-Modulated Radiation Therapy Technique for Locally Advanced Non-Small-Cell Lung Cancer：A Secondary Analysis of the NRG Oncology RTOG 0617 Randomized Clinical Trial[J].J Clin Oncol，2017，35(1)：56-62.

[2]Luo HC，Fu ZC，Cheng HH，et al.Prostate cancer treated with reduced-volume intensitymodulated radiation therapy：Report on the 5-year outcome of a prospective series[J].Medic ine(Baltimore)，2017，96(52)：e9450.

[3]Yang SN，Liao CY，Chen SW，et al.Clinical implications of the tumor volume reduction rate in head-and-neck cancer during definitive intensity-modulated radiotherapy for organ preservation[J].Int J Radiat Oncol Biol Phys，2011，79(4)：1096-1103.

[4]吳昕，劉磊，肖江洪，等.鼻咽癌靶區的自動勾畫評價[J].四川醫學，2015(6)：762-766.

[5]Amy VY，Angela W，Iddo W，et al.Atlas-based segmentation improves consistency and decreases time required for contouring postoperative endometrial cancer nodal volumes[J].Int J Radiation oncology biol Phys，2011，79(3)：943-947.

[6]張藝寶，吳昊，李莎，等.臨床前驗證與幾何對比分析基于圖譜庫的危及器官自動勾畫[J].中國醫學物理學雜志，2015，32(6)：761-767.

[7]谷珊珊，張懷文，王運來，等.基于水平集穩健特征統計算法的腦腫瘤自動分割研究[J].中國醫學物理學雜志，2016，33(1)：63-67.

[8]Moeskops P，Viergever MA，Mendrik AM，et al.Automatic Segmentation of MR Brain Images With a Convolutional Neural Network[J].IEEE Trans Med Imaging，2016，35(5)：1252-1261.

[9]Xu M，Foster R，Parks H，et al.SU-F-T-427：Utilization and Evaluation of Diagnostic CT Imaging with MAR Technique for Radiation Therapy Treatment Planning[J].Medical Physics，2016，43(6)：3561-3561.

[10]Hardcastle N，Tomé WA，Cannon DM，et al.A multi-institution evaluation of deformable image registration algorithms for automatic organ delineation in adaptive head and neck radiotherapy[J].Radiation Oncology，2012，7(1)：90.

[11]Ananthanarayanan S.Use of ultrabook and iPad mini for processing，display，storage and transmission of medical images using MIM software[J].J Med Phys，2014，39(1)：56-59.

[12]Stanford J，Duggar W，Morris B，et al.SU-EJ-80：A Comparative Analysis of MIM and Pinnacle Software for Adaptive Planning[J].Medical Physics，2015，42(6)：3282.