圖像分割在腫瘤放射治療中的發展與應用

吳倩倩，周蕾蕾，趙紫婷，蔣紅兵,2

1. 南京醫科大學附屬南京醫院（南京市第一醫院） a. 醫療設備處；b. 醫學影像科，江蘇 南京 210006；2. 南京市急救中心，江蘇 南京 210003

引言

放射治療是利用放射線治療腫瘤的一種局部治療方法，可有效降低腫瘤細胞增殖活性并加速腫瘤細胞凋零[1]。放療技術不斷發展，逐步進入精確放療時代，靶區劑量分布不斷改善。放療圖像的分割處理可以輔助醫師進行靶區及危及器官（Organs at Risk，OARs）的勾畫，精確的靶區分割有助于在消滅腫瘤的同時最大程度上保護周圍正常器官。臨床上靶區勾畫多依靠醫師手工進行，近年來，大約70%的癌癥患者在治療過程中需要進行放射治療[2]，醫學圖像數量急劇增長，手工勾畫費時費力，治療效率較低。隨著圖像處理技術及人工智能的發展，圖像自動分割技術逐漸投入到放療圖像處理中，不僅減輕了醫師的工作負擔，而且大大提高了工作效率，在制定治療計劃中產生了重要作用，對提高放療的準確性具有深遠的意義。

1 常用的醫學圖像分割方法

圖像分割是將圖像劃分為具有相似屬性（如灰度、紋理等）的區域的過程，醫學圖像分割的目的包括：① 研究解剖結構；② 定位腫瘤、病變或其他異常情況；③ 測量組織體積以檢測腫瘤的生長狀況；④ 放療計劃設計過程中對器官及靶區進行自動勾畫。然而醫學圖像的線性特征較復雜，在其中普遍存在灰度對比度低、組織邊界模糊等問題[3]，故實現其自動分割是一項艱巨的任務。隨著越來越多地使用CT和MRI成像進行輔助診斷、制定治療計劃和臨床研究，使用相應的計算機技術來對進行分割處理已經變得不可或缺。

1.1 基于邊緣的分割方法

邊緣特征是圖像的基本特征之一，基于邊緣的分割方法通過邊緣檢測算子檢測出不同區域的邊界信息，將邊界作為圖像的基本特征來尋找灰度不連續的像素點，從而提取出能夠反映灰度、紋理、顏色等圖像信息的目標邊界突出情況，以達到圖像分割的目的。在分割過程中，可以用一階導數判斷圖中的像素是否屬于邊緣部分，二階導數判斷像素屬于哪一部分[4]。常見的一階導數邊緣檢測算子包括Sobel算子、Roberts算子、Canny算子等。以Sobel算子為例，其算法簡單、計算量小、速度快，但由于其算法只采用水平和垂直2個方向模板，故對于紋理較復雜、斜向邊緣較多的圖像提取的圖像輪廓不是很理想。王云艷等[5]將Sobel算子與平滑濾波、高通濾波等相結合，克服了傳統算法的單一性，在提取圖像邊緣細節的同時保證了圖像信息的真實性，最終得到視覺效果非常不錯的增強圖像。

該方法能夠檢測出有效邊緣[6]，但在實際操作過程中，由于圖像都是含噪圖像，在檢測精度與抗噪能力間存在著相互制約的不確定原則，且對于圖像中多數存在的斜坡邊緣檢測效果并不佳[7]，故該技術仍需不斷優化和完善。

1.2 基于區域增長的分割方法

區域增長和分裂合并的方法是一種典型的串行區域分割方法，其根據用戶預定義的某種相似性準則，將具有相似性的圖像像素或者區域聚合成為更大的區域[8]。首先，找到種子像素作為每個要劃分區域的起點，然后將種子像素周圍與其具有相似屬性的像素合并到種子像素所在的區域，再繼續將這些新像素視為新的種子像素，重復上述過程，直至找不到滿足條件的像素為止[9]。研究發現，通過在算法中加入統計學信息和先驗知識，就可避免手動選取種子像素，使其選擇更加可靠。Ren等[10]開發了一種可以自動計算閾值的區域生長算法用于分割肺結節圖像區域，該算法不僅可以快速的對所有肺結節圖像進行分割，同時還保留了病變的原始特征，有效地幫助放射科醫生進行診斷的同時，為智能算法提供了可靠的培訓數據。

該方法計算簡單，對于連續均勻的目標，如血管、實質性組織，具有較好的準確性、高效性[11]，但其易受噪聲的影響，且種子像素的選取具有重要意義，種子點位置的選擇不適以及增長閾值的設定，都會影響分割結果[12]。

1.3 基于圖割能量最小化的分割方法

近年來，圖割技術提供了一個通過全局分割的方法去對圖像進行分析的平臺在許多交互式和自動分割領域獲得了廣泛的應用[13]。該方法需要根據圖像的特征信息，建立合適的能量函數，然后根據能量函數建立圖論中的網絡圖，通過對網絡圖采用最大流/最小割算法獲得分割結果[14]。Pauchard等[15]使用了交互式圖割技術，用于從臨床CT圖像中分割出骨骼并達到對近端股骨強度的預測，將其與手動分割進行比較發現，二者分割結果非常相似，骨強度預測基本準確，且交互式分割所用時間大大縮短。

該方法為很多圖像處理問題提供一個自然框架，在圖像分割中更側重于分割模型的物理學意義，可以將定義于特征場或標號場的具有明確物理含義的約束條件引入能量函數，求解更靈活[16]，但如何定義能量函數，使其最小化以產生所需結果以及如何用圖形構造表示能量函數都是圖割中的關鍵問題[17]，除此之外，能量函數在進行優化時通常采用梯度下降形式，計算效率較低，影響了圖像分割的速度[18]。

2 放療中圖像分割的研究進展和應用

靶區范圍的準確定義與勾畫是放射治療成功與否的第一步[19]，依據圖像可以對靶區OARs進行勾畫，制定相應的治療計劃，從而確保治療中的劑量最大限度地集中在腫瘤區域，提高放療的精確性，減少對周圍正常組織器官的損害。目前對靶區進行勾畫的方法主要包括手工勾畫、基于圖譜庫的自動勾畫和基于深度學習的自動勾畫三種方法。

2.1 手動勾畫

通常情況下，放射腫瘤醫師需根據患者的CT或MRI圖像手動勾畫靶區和OARs，傳統的手工勾畫存在以下缺點：① 需要耗費醫師大量時間以及精力，占用大量醫療資源，不利于診斷效率的提高；② 重復性差，醫師勾畫范圍不同，導致每次進行放射治療時照射區域存在一定的偏差，不能規模化實現，增加了腫瘤復發及惡化的風險；③ 準確性相對較低。同時，CT、MRI技術的發展使得圖像數量井噴式增長，導致傳統的手工勾畫注定無法適應社會對醫療服務的需求以及醫療行業自身的快速發展，放射治療的應用與發展迫切的需要快速、準確且容易操作實現的技術來對器官進行勾畫[20]。

2.2 基于圖譜庫的自動勾畫

當前已有多個基于圖譜庫的自動勾畫軟件（Atlas-Based Auto-segmentation，ABAS）投入到臨床應用中，其中關鍵一步為構建與軟件相應的圖譜庫。構建圖譜庫首先需要已經勾畫好靶區以及OARs的圖像，再由這些圖像訓練得到一個模板數據庫才可投入到臨床應用中[21]。

以一款商用軟件MIM Maestro（Ver 6.6.5）[22]為例，建立4套病例數不同的宮頸癌圖譜庫（30、60、90、120例），分別應用4個圖譜庫對10例目標圖像進行危及器官的自動勾畫并分別計時。實驗結果表明，自動勾畫軟件可以在一定程度上改善勾畫者間的差異，減少醫生的勾畫時間；對于邊界較明顯的膀胱來說，勾畫結果較好，但直腸作為形變較大的器官，由于其充盈程度無法控制，且形狀因人而異，是勾畫較為困難的組織；綜合比較發現，對60例以上的圖譜庫而言雖然較大的圖譜庫略有優勢，但臨床中建立120例與60例圖譜庫相比，工作量增加1倍。當前，已有多款ABAS軟件應用于肝臟、頭頸部、乳腺等放療圖像的自動勾畫中。Hyothaek等[23]評估了一款用于勾畫下頜骨和頸部甲狀腺CT圖像的ABAS軟件適用圖譜庫的例數，結果表明，隨著例數的增加，勾畫性能通常會提高，但增加例數并不能持續提高勾畫準確性，甚至還可能取得相反的效果，且因各個機構對靶區勾畫的標準不同，所以各機構在應用ABAS軟件時，對于不同部位所需例數的最佳大小都應提前進行相應的評估方可投入使用。

基于圖譜庫的器官自動勾畫雖然可以大大節省傳統的手工勾畫所需的時間，并且充分利用了計算機資源，但相對于不同解剖部位、不同結構以及OARs來說，勾畫效果差異明顯，且所有結構的勾畫都需要進一步進行人工修正、建立醫生確認流程才可滿足臨床要求從而應用于臨床，構建圖譜庫所需的圖譜數量根據不同軟件、不同部位等因素均有不同要求。

2.3 基于深度學習的自動勾畫

人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學[24]，大量研究表明人工智能在醫學領域具有巨大潛力，通過機器學習的方式進行圖像分割的技術逐漸在放療中應用開來。深度學習的方法快速且準確，它可以從圖像中提取更加復雜的層次特征[25]，已經成功應用于計算機視覺方面的任務，如：影像分類、目標檢索、圖像分割和影像檢索等[26]。目前使用較多且效果較好的網絡模型如下。

2.3.1 卷積神經網絡

卷積神經網絡（Convolutional Neural Network，CNN）在醫學圖像中應用極為廣泛，其本質為一個具有多隱層的神經網絡，每個層執行特定的操作，如卷積、池化等，并在大量的數據訓練過程中不斷優化自身性能，使其能夠更準確的提取圖像特征[27]。結合訓練好的CNN模型和GPU硬件加速，以實現放療圖像中組織器官快速的分割[28]。近年來，研究人員們開發出了眾多醫學圖像分割新模型，廣泛應用于醫學圖像處理的各個領域，并取得了較好的效果。Song等[29]構建并驗證了CNN模型能很好地繪制直腸癌CT圖像的目標區域及危及器官，并且質量較高，所需計算時間及手動校正時間更短。胡光亮等[30]提出一種利用CNN對鼻咽腫瘤MR圖像全自動的分割方法，對于不同的鼻咽腫瘤患者都能取得較好的分割結果，具有良好的泛化能力。曹祺煒等[31]提出了一種多模態多池化3D CNN模型用于腦腫瘤MRI圖像的分割，減少了網絡中的參數和計算量，解決了傳統分割過程中分割效率低、分割精度難以保證等問題，獲得了更高分辨率的圖像分割結果。

2.3.2 全卷積網絡

全卷積網絡（Fully Convolutional Network，FCN）在CNN基礎上進行了改進，其解決的是圖像像素級別的分類，先構建多層卷積層進行卷積運算，提取圖像局部特征信息和抽象特征信息，在此期間可以通過不同方式增大感受野，然后池化操作逐漸降低減小圖像尺寸，最后利用轉置卷積進行逆運算的上采樣操作還原圖像[32]。FCN可以接受任意尺寸的輸入圖像，對圖像進行逐像素的分類，并保留原始輸入圖像的空間信息[33]。郭磊等[34]將FCN用于X線圖像中成像部位的自動分割，結果顯示FCN能夠提取有代表性的多維圖像特征，避免了圖像信息下采樣丟失，實現X線圖像中成像部位精確自動分割。段杰等[35]提出了一種改進型FCN用于分割肝臟CT圖像，并與多種常見的分割網絡進行對比，實驗結果表明該方法可以精準分割CT圖像中各種形狀和大小的肝臟腫瘤，分割效果良好，能夠為臨床的診斷提供可靠的依據。FCN還可用于3D圖像的多器官組織分割[36]，Peijun等[37]采用由粗至細的分層方法，顯著改善了FCN網絡的小器官分割結果。

2.3.3 U-Net網絡

U-Net網絡最初由Ronneberger[38]等提出，引入并使用了反卷積概念。該模型建立在FCN的體系結構上，其最重要的特性是分析通路與擴展通路等分辨率層之間的快速連接，這些連接為反卷積層提供了不可或缺的高分辨率功能。這種新穎的結構在醫學圖像分割中引起了廣泛的關注并展示了其優勢性，尤其是在OARs勾畫領域，針對數據量很小的生物醫學數據集進行圖像處理，獲得了較好的分割結果[39]。潘沛克等[40]提出了一種基于U-Net網絡模型的鼻咽腫瘤MRI圖像自動分割算法，實驗結果表明該算法可以實現較好的實際分割效果且分割精度較高，同時時間效率大幅提升。周正東等[41]提出了一種基于帶孔U-Net神經網絡的肺癌危及器官并行分割方法，與傳統分割方法相比，該方法分割性能最優，可有效地完成肺及心臟的自動并行分割，提高勾畫效率，分割結果與人工勾畫結果相當。

除此之外，卷積殘差網絡、遞歸神經網絡以及多種網絡相結合等模型也在放療圖像分割中廣泛應用，發揮了重要作用。Nemoto等[42]將基于圖譜庫和基于深度學習的方法應用于勾畫肺部CT圖像并進行對比評估，結果表明，基于深度學習的方法比基于圖譜庫的方法輪廓的描繪更加準確，更有助于將增強的放射線向惡性部位照射，同時限制正常組織的暴露，從而減少放射性肺炎和其他并發癥的發生，證明了深度學習模型在放療計劃中的適用性。

3 結語

醫學圖像分割是醫學領域的研究熱點，在術前診斷、術中規劃和術后引導及預后評估管理上起著重要的作用[43]，越來越多的相關研究也證實了其優勢性與適用性，尤其是基于卷積網絡的深度學習模型具有很好的特征提取和自我學習能力。

目前，應用于放療圖像方面的基于靶區自動勾畫的算法很多，但是大多都是對單一部位的研究，而且某一算法的單獨應用因圖像在形成過程中受到噪聲、組織運動等因素的影響，分割結果與理想效果總是具有一定差距，對于圖像中微小細節如組織中的血管目前也很難分辨。隨著計算機技術的發展，未來對圖像分割的研究必定更加注重結合多種分割算法，并逐漸使算法應用于全身各部位，對需進行放射治療部位的勾畫及放射劑量的確定將更加準確。同時，醫學圖像不同于自然圖像，在圖像分割中，自然圖像僅需考慮二維結構，而醫學圖像還需考慮在三維空間結構上如何進行分割，現有的分割模型大都基于自然圖像，隨著圖像分割技術的發展，勢必會開發出越來越多適用于醫學圖像并能進行三維空間的分割算法，有助于臨床醫師更好地對患者進行放射治療。放療圖像自動分割技術的進步不僅在患者腫瘤的預防、診斷、治療和預后等方面展現了其優越性能，而且推動其朝精細化、準確化的方向不斷進步。