一款基于深度學習的放療輪廓勾畫軟件的研發

羅邦雨，伍亞軍，周一兵，錢金棟，趙利榮，崔天祥，鐘良志，李光輝，孫建國

1. 陸軍軍醫大學第二附屬醫院 腫瘤科，重慶 400037；2. 深圳市旭東數字醫學影像技術有限公司，廣東 深圳 518048

引言

精確高效的放療輪廓勾畫是進行精準放療的前提[1]，此過程需使用放療計劃系統（Treatment Plan System，TPS）或輪廓勾畫軟件來實現，就目前而言，輪廓勾畫工作存在以下問題。

輪廓勾畫費時費力[2]，醫生負擔重，患者等待時間長。危及器官勾畫效率低是一個重要的原因。以鼻咽癌為例，需要勾畫的危及器官包括雙側眼球、晶體、視神經、視交叉、腮腺、顳頜關節及腦干、脊髓、下頜骨、口腔等多達十幾個器官，且頭頸部解剖結構復雜[3]，在CT圖像上難以快速區分，使得勾畫過程耗費大量時間和精力。另外，在現有的勾畫模式下，患有相同瘤種的不同患者，所需勾畫的危及器官在種類、形態及位置分布上都大致相同或相近，但放療醫師卻不得不逐一勾畫每個患者的危及器官，從宏觀上看，這是一種低效、煩瑣的重復性工作，延緩了患者的治療時間。

基層放療中心勾畫水平相對較弱。大多數基層放療中心使用國產放療軟件，尚存在功能不夠全面、操作不夠方便，精度不夠準確等不足[4]；另外，基層放療中心主要以低年資放療醫師為主，難免對解剖結構區分不熟練，影像識別能力不高、對放射治療學的認識能力有限[5]，并且，大部分基層中心缺乏規范化、同質化的診療方案培訓[6]，在放療實施流程、并發癥護理、用藥規范、登記隨訪等方面還存在薄弱環節。這些都導致了基層放療中心輪廓勾畫水平乃至整體放療水平相對較弱，使得廣大腫瘤患者不得不選擇前往一線城市的大型三甲醫院就醫，他們不僅要承擔高額放療費用，還不能及時便捷就醫。

近年來，科技的突飛猛進促進了高效、先進放療設備的研發設計[7]，目前放療輪廓勾畫存在的問題得以改善，并最終使腫瘤患者受益。本研究介紹了一款自主研發的基于深度學習的放療輪廓勾畫軟件，已獲得深圳市醫療器械檢測中心出具的檢驗報告，報告編號：ZQ20171246；獲得中華人民共和國醫療器械注冊證，注冊證編號：國械注準20193210365。該軟件具體研發設計與成果展示介紹如下。

1 軟件研發方法

1.1 軟件基本架構的研發

軟件使用C++語言開發，開發工具為Visual Studio 2010，版本號為10.0.40219.1，開發人員數量：6人，測試人員：1人。

軟件運行環境：Intel 酷睿I5 以上 4核64位CPU，8 G以上內存，20 G以上的可用硬盤空間，64位Windows 7及以上操作系統，nVidia（1 G以上顯存）顯卡，至少支持1280*1024以上分辨率顯示器。

1.2 基于深度學習的輪廓自動勾畫方法

1.2.1 資料

隨機選取2012年1月至2017年12月期間在我院接受調 強 放 療（Intensity Modulated Radiation Therapy，IMRT）的鼻咽癌患者共計1200例，所有患者在定位時均取仰臥位，雙手靠體，用熱塑膜進行頭肩頸固定，行眶上緣到胸鎖關節下緣3 mm層厚CT平掃與增強，收集整理放療定位CT圖像約14萬張（均為標準Dicom格式）。

1.2.2 圖像標注

所選取病例資料均為既往鼻咽癌放療患者定位CT，由我院放療中心資深放療醫師使用瓦里安TPS （Eclipse 8.6.23）勾畫好放療輪廓，再由兩位放療副主任以上醫師審定，以保證深度學習的準確性。在本研究中，選取雙側眼球、雙側晶體、雙側視神經、雙側腮腺、雙側顳葉、雙側顳下頜關節、下頜骨、口腔、脊髓、腦干及大腦共11種17個危及器官作為自動勾畫的研究對象。

1.2.3 圖像預處理

首先以醫學先驗知識為基礎，對上述11種17個危及器官進行全自動的感興趣區域提取。隨后對提取出的感興趣區域進行圖像增強，具體操作包括：① 灰度歸一化，對分割目標器官的灰度值進行統計，并將圖像灰度值歸一化到合適的灰度值區間內，以消除不同來源的CT圖像間的誤差；② 去噪，針對邊界清晰的目標器官及體積較大器官進行圖像去噪，以避免CT圖像中噪聲帶來的差異性。最后分別把每種器官的圖像統一到合適的大小，以方便后續進行的訓練。

1.2.4 建立和訓練模型

訓練模型基于開源平臺NiftyNet搭建，采用ResNet網絡模型以及Dice損失函數和Relu激活函數作為深度學習訓練方式，并且針對部分復雜器官，使用了級聯ResNet網絡以提高分割的精度。

將全部鼻咽癌患者CT圖像數據隨機分成訓練數據和測試數據，比例為9：1，其中訓練數據又隨機分為訓練集數據與驗證集數據，比例為4：1，用于模型的建立和訓練；測試數據用于建模后的測試驗證。為保證充足的數據量，訓練集數據在輸入網絡前會做隨機旋轉、縮放、拉伸等數據擴充操作，同時這樣也可以提高網絡模型的魯棒性。此外為防止參數初始化導致網絡陷入局部最優解的情況發生，研發中多次重復訓練過程，通過訓練集與驗證集不斷優化調參更新模型，最終得到完成訓練的危及器官自動勾畫模型。

1.3 軟件的驗證與確認

為確保軟件能正確實現特定功能及滿足用戶需求，及時找出并修正系統BUG，參照《系統與軟件工程系統與軟件質量要求和評價（SQuaRE）第51部分：就緒可用軟件產品（RUSP）的質量要求和測試細則》[8]《醫療器械網絡安全注冊技術審查指導原則》及《醫療器械軟件注冊技術審查指導原則》等國家相關軟件質控文件要求，對軟件的驗證與確認，主要包括系統測試、用戶測試、可追溯性分析等步驟。

（1）系統測試：以黑盒測試、手工測試為主。針對發布的測試版本進行黑盒測試及手工隨機性測試、回歸測試。測試覆蓋率首輪次測試為100%，后續版本根據各版本質量逐輪呈遞減趨勢進行測試執行。

（2）用戶測試：抽取軟件研發公司內除研發、測試和質檢之外的其他人員共5人進行用戶測試。測試按照產品說明書使用軟件，對軟件的使用情況進行測試。測試人員需要在Excel表格中記錄測試錯誤和異常情況，并提供必要的截屏和信息。

（3）可追溯性分析。通過對該軟件設計開發中產品需求說明、網絡安全相關需求、設計規范、測試情況以及風險管理方面的正確性、一致性等方面進行可追溯性分析，包括：自動注銷功能、授權、安全特性配置、網絡安全產品升級、數據備份與災難恢復、健康數據完整性與真實性及患者身份信息去除、惡意軟件探測與防護、傳輸保密性、傳輸完整性等方面。

2 結果

2.1 軟件實物一套

2.1.1 Yorktal-CS軟件功能簡介

Yorktal-CS是在醫學影像技術基礎上，基于危及器官自動分割技術以及器官和組織三維重建技術自主研發的放療輪廓勾畫軟件（圖1）。軟件由數據管理模塊、用戶交互模塊、視圖管理模塊、RTStruct模塊、用戶管理模塊組成（圖2）。

2.1.2 主要性能指標

（1）處理對象為需要制定放射治療計劃符合DICOM標準格式的CT或者核磁數據。

圖1 Yorktal-CS軟件展示圖

圖2 軟件結構模塊

（2）數據接口：① 數據接口：DICOM、stl、mha數據；② 產品接口：醫學影像處理軟件和放射治療計劃系統軟件。

（3）可靠性：① 軟件在產品說明書中陳述的限制范圍內使用時，不會丟失數據；② 軟件不對數據進行修改，軟件將輪廓數據導入RTStruct后形成一個新的文件，不會對原工程數據文件數據和原RTStruct文件進行修改，因此軟件異常關閉不會導致原始數據丟失。

（4）效率：① 打開單個dcm或stl時間少于4 s；② 打開數據工程文件，時間少于10 s，初次打開一套數據時間具體花費的時間與數據大小和電腦配置有關；③ 導入單個stl或mha文件到RTStruct文件中時間少于30 s。

2.2 缺陷修復

在版本V1.0下，已知缺陷總數：16個。其中崩潰級2個、嚴重級2個，一般性11個，輕微性1個。測試發現的bug主要集中在一般性和提示性缺陷中。一般性缺陷多出現在某個功能還不夠完善上。測試發現的嚴重缺陷中，多是由于操作不當引起軟件某個功能不能使用，后期經過修復，已全部解決，暫無發現已知剩余缺陷。

注：軟件測試缺陷嚴重程度分類：① 崩潰級：導致操作系統崩潰、死機；② 嚴重級：導致重要功能不可用，并且重啟系統也無法解決；③ 一般性：導致輔助功能出錯或不可用，或導致重要功能不可用，但重啟系統能解決；④ 輕微性：使操作者不方便或遇到麻煩，但它不影響執行工作功能或重要功能。

2.3 軟件功能

2.3.1 實現危及器官自動勾畫

基于深度學習技術，目前已針對鼻咽癌患者需勾畫危及器官中的11種17個進行了自動勾畫精確建模，實現了“一鍵式”勾畫，即放療醫師導入患者CT圖像后，只需點擊一次勾畫按鍵，即可進行17個危及器官的自動勾畫，而放療醫師只需進行少量修改甚至某些器官不需要修改即可完成。經過前期大量測試，自動勾畫加上人工修改的過程總共只需約6 min，相比較于目前市場上國內、國外的主流TPS勾畫相同器官的速度，具有明顯優勢。在此需要明確的是，任何自動勾畫以后必須要人工審核及修改，才能用于患者的治療。自動勾畫危及器官結果如下（圖3）。

圖3 自動勾畫17個危及器官

2.3.2 提高共享數據兼容性

用U盤、光盤等存儲媒介或科室內局域網傳輸方式，該軟件可在多種TPS間導入、修改、傳出包含輪廓勾畫數據RTStruct文件的標準Dicom醫學圖像文件。測試時選擇瓦里安、醫科達與奇林TPS，該軟件勾畫好輪廓后，可導出含RTStruct數據的Dicom文件給上述各TPS進一步完成放療計劃制作；該軟件也可導入識別已勾畫好的放療輪廓，進行修改、保存等操作，導出的文件在其他TPS亦可成功讀取，并完成放療計劃的制作。在測試中發現，部分奇林TPS導出的數據在瓦里安、醫科達兩種進口TPS上無法讀取，但經Yorktal-CS讀取后另存為新的RTStruct數據文件，可順利在進口TPS上讀取，提高了數據兼容性（圖4）。

圖4 共享數據模式

2.3.3 完善輪廓勾畫功能

該軟件在研發過程中，以目前最先進的進口TPS為標準，爭取在勾畫功能上與之相近，完善各項功能。例如，勾畫一些多層面的連續性器官如脊髓、腦干、腮腺等時，進口TPS勾畫速度比國產TPS快1倍左右，很大原因是因為進口TPS可隔層勾畫，即放療醫師可相隔1到2個層面勾畫一次，而軟件將自動連接補全所有層面圖像，最終重建出完整器官，而目前大部分國產TPS只能逐層勾畫，故消耗大量時間。針對此情況，研發人員加大研究力量，最終也實現了類似進口軟件的勾畫功能。

2.3.4 優化用戶操作體驗

在整個軟件研發過程中，得到全國多位資深放療醫師的支持，通過不斷使用軟件，在操作體驗上提出許多寶貴意見，使得軟件有著良好的用戶體驗。該軟件注重用戶交互體驗，即軟件界面導航清晰、搜索精確、快捷鍵合理方便等，注重實用體驗，即軟件MRI融合功能、數字人融合功能精準、勾畫工具豐富、外擴功能先進等，注重智能體驗，即軟件自動勾畫危及器官數量多、勾畫準確性高、速度快等。

3 討論

3.1 建模時神經網絡模型的選取

深度學習作為人工智能機器學習的一個重要分支，應用前景十分廣闊，近年來基于深度學習的醫學圖像自動分割技術也得到了廣泛關注和不斷發展[9-10]。在以往的研究中，常常采用傳統的卷積神經網絡（Convolutional Neural Networks，CNN）作為深度學習的網絡結構進行研究，它基于多層感知器的算法，主要采用局部感知、權值共享和空間下采樣的結構性思想來學習輸入和輸出之間的高度非線性映射[11-12]。然而，這種網絡結構隨著網絡深度的不斷增加會出現一些問題，比如梯度消失和網絡退化，即隨著網絡層數增加，在訓練集上的準確率會發生飽和甚至下降。這從本質上限制了CNN的應用。

為避免上述問題的發生，在本研究中嘗試了3D-UNet、3D-ResNet及3D-DenseUNet等多種在醫學圖像分割任務中表現良好的網絡結構[13-14]，使用交叉驗證的方式對每種網絡模型進行了多次訓練。在對比上述幾種網絡模型的交叉驗證結果之后，最終選擇結果最好的ResNet網絡模型作為軟件研發模型。殘差網絡（Deep Residual Learning for Image Recognition，ResNet） 是 由 來 自 Microsoft Research的4位學者提出的改進的卷積神經網絡模型，此模型通過殘差學習方式解決了傳統CNN所帶來的問題，這種殘差學習結構可以通過前向神經網絡+shortcut連接實現，其優勢在于網絡結構容易優化，并且能夠通過增加相當的網絡深度來提高準確率，在圖像識別與圖像分割領域有著優秀的表現。ResNet結構如下（圖5）。

圖5 ResNet結構

目前，對于危及器官自動勾畫的研究已日趨成熟，但是對于靶區的自動勾畫，由于尚缺乏公認的標準、成熟的技術和有效的靶區自動提取能力，所以還存在一定的困難。但是我們相信，隨著人工智能技術的持續發展[15-16]，不久的未來一定能實現放療靶區的自動勾畫，使放療輪廓勾畫更加合理準確、快捷方便。

3.2 基層推廣同質化放療的趨勢

據報道，約有70%的腫瘤患者在病程中需要進行放射治療，然而在我國，能夠接受放療的患者只有約30%，其原因主要還是廣大基層醫院放療技術與設備水平相對滯后，且放射腫瘤學科缺乏系統化、標準化和流程化的治療方案。因此，提高各級醫院的腫瘤放射治療水平，實現放療患者在不同的醫院享有同樣高水平的治療將是未來發展的趨勢[17]。目前已經出現了基于互聯網的“云放療”平臺[18]、智能輪廓勾畫軟件以及放療計劃制作系統等[19-20]，這些技術通過提供遠程技術共享、智能化自動化操作以及不斷提升的國內國外不同設備的兼容性等，將打破傳統放療服務模式對于地域、機構、人員的限制，實現真正的開放、共享的同質化放療[21]。

4 結論

使用基于深度學習的Yorktal-CS 1.0軟件，可以自動勾畫鼻咽癌患者大部分危及器官，在勾畫效率上有著明顯優勢，通過提高放療輪廓勾畫效率，減輕放療醫師工作負擔，加速放療準備階段，使患者能更快接受治療；再加上其強大的數據共享兼容性，使得基層放療中心擁有三甲醫院放療水平成為可能。我們未來的研究目標是進一步優化與增加危及器官的自動勾畫，拓寬其在放射治療中的應用。