兩種自動勾畫方法對上腹部危及器官勾畫結果對比分析

高山寶，侯震，李雙雙，劉娟，閆婧

南京大學醫學院附屬鼓樓醫院 腫瘤中心，南京 江蘇 210008

引言

目前，有多種自動勾畫軟件已經開始在放療中使用，可以自動勾畫靶區和危及器官（Organs-At-Risk，OARs），為臨床節省了大量時間。然而由于患者的個體差異，靶區的自動勾畫結果目前還需要人工修改后才能臨床使用[1-4]，但是OARs的自動勾畫已經與人工勾畫差別不大[5-8]。目前自動勾畫OARs輪廓主要有兩種技術路線：一是利用基于卷積神經網絡的深度學習（Deep Learning，DL）算法和具有相應勾畫數據的圖像訓練并建立自動勾畫模型；另一種是基于圖譜庫（Atlas）形變配準進行自動勾畫。在日常使用中，基于兩種不同技術路線的自動勾畫軟件在頭頸部、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的勾畫結果差異很大[9-11]。為了確定哪種技術路線更適用于上腹部OARs的自動勾畫，本研究對比了基于DL和Atlas的自動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建立的模板都會因人而異，如建立Atlas模板病例數、軟件版本的不同會導致勾畫ORAs的不同[12-14]，DL算法所使用的模型結構、調試參數及訓練病例的差異也會導致勾畫結果有所差異[15]。為了減小這些由技術條件導致的差別，使研究結果具有普適性，本研究所使用的軟件均是目前商用的成熟產品（已取得CFDA認證），自動勾畫所使用的通用模板均經過反復調整測試達到最優化。

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(荷蘭飛利浦公司)，層厚為5 mm。

1.2 手動勾畫和基于Atlas自動勾畫危及器官

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

1.3 基于深度學習自動勾畫危及器官

將掃描獲取的CT圖像分別傳至 AccuContour工作站（Manteia數據科技有限公司提供），運行AccuContour，選取上腹部選項中的左右腎、肝臟和脊髓，自動勾畫上述病例CT影像中的OARs，該軟件基于采用卷積神經網絡的DL算法，由醫院方面提供標準勾畫數據，由Manteia公司進行數據訓練并最終形成符合醫院標準的自動勾畫模型。

1.4 評價指標

以醫生手工勾畫作為標準與自動勾畫結果比較，計算兩組勾畫結果的豪斯多夫距離（Hausdorff Distance，HD）、平均最小距離（Mean Distance to Agreement，MDA）、戴斯相似性系數（Dice Similarity Coefficient，DSC）、Jaccard相似系數（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，其計算公式為：

‖·‖是點集A和B點集間的距離范式。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)實際上首先對點集A中的每個點ai到距離此點ai最近的B集合中點bj之間的距離‖ai-bj‖進行排序，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，它度量了兩個點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，其計算公式為：

MDA是兩個勾畫的點對之間距離的平均值。

1.4.3 DSC

用于計算A與B兩個集合之間的重疊區域所占比例，其計算公式為：

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

用于度量A、B兩個集合之間的相似性，其計算公式為：

其中，0≤J(A,B)≤1，J值越大，勾畫的相似度越高。

1.5 統計學方法

采用SPSS 19.0對以上各參數進行配對t檢驗，結果以（±s）表示，P＜0.05為差異有統計學意義。

2 結果

表1列出了AccuContour（DL-based） 和Auto Segmentation（Atlas-based）兩個模型對左右腎、肝臟和脊髓的勾畫準確性指標。基于Atlas勾畫的右腎和肝臟顯示常用的DSC指標均大于0.7，表明兩個自動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（0.43±0.37）和Jaccard系數（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行。基于DL算法的左右腎和肝臟的勾畫效果都很好，DSC系數在0.9左右，Jaccard系數在0.8左右。而對于脊髓，四個評估指標均不令人滿意。

表1 基于DL與Atlas方法自動勾畫結果評價指標（±s）

表1 基于DL與Atlas方法自動勾畫結果評價指標（±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

從上表中的比較結果可見，DL在左右腎的勾畫上的4個評估參數均優于Atlas且差異有統計學意義（P＜0.05）；對肝臟勾畫，只有Jaccard相似系數的評估DL優于Atlas，差異有統計學意義（P=0.03）。而對于脊髓的勾畫，DSC和Jaccard系數均顯示DL劣于Atlas，差異有統計學意義（P＜0.05）。

基于DL的自動勾畫運用在上腹部時的結果總體上優于基于Atlas的自動勾畫結果。如圖1所示，肝臟的體積大且有的邊界不清，DL算法識別時有的病例會將靠近的軟組織器官也勾畫在內，致使HD和MDA偏大，基于Atlas的自動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算法準確，所以Jaccard系數顯示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果

左右腎由于是相對獨立的臟器，DL算法識別準確，有著明顯的優勢。基于Atlas的自動勾畫運用在左腎上時結果很差的原因是27例中有11例匹配到脾臟上導致DSC和Jaccard系數等于或接近于0。如圖2所示，脊髓的勾畫兩種方法在四項評估指標上都不高，究其原因是人工勾畫脊髓時只到第二腰椎下緣就結束了，而自動勾畫因無法判斷脊髓末端位置從而將馬尾神經當作了脊髓，DL算法在勾畫脊髓時DSC和Jaccard系數劣于Atlas，是因為勾畫的輪廓包括了整個脊髓腔導致偏大，這也是該軟件以后需要改進的地方。

圖2 兩種方法對腎臟和脊髓的勾畫結果

3 討論

目前，已經有多款基于Atlas自動勾畫的軟件上市并運用于臨床工作，例如MIM軟件（MIM Software Inc.,Cleveland，OH）、Eclipse 治療計劃系統中的 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，可以將放射腫瘤醫師從這些大量且重復的工作中解放出來，節約了寶貴的時間。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時效果較好，究其原因，這些部位的骨性標志和肺或空腔使得Atlas中的結構標記容易通過剛性配準映射到目標圖像上，再略加形變即可取得不錯的效果。但是在腹部OARs大都是軟組織密度，且有的界限不明確，使得形變配準時容易產生偏差。本研究所用的AccuContour軟件使用了unet_2d或vnet模型結構，在數據集導入后，系統自動按一定的比例將數據用于訓練、驗證和測試。訓練數據會被用于實際的模型訓練，驗證數據可以幫助對模型進行批量大小、窗口采樣方式、學習率等參數的調整，以及在訓練過程中對于訓練效果的監測，測試數據用于最后的效果評價（絕大多數數據集使用DSC），所以基于DL的自動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[18-19]。

本研究所示，上腹部OARs自動勾畫的難點在于如何區分脊髓和馬尾神經。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），人工勾畫時也是通過第二腰椎來判斷兩者的分割位置，現有用來區分脊髓和馬尾神經或是椎間盤的自動勾畫算法也是在基于MR圖像上實現的[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內存是瓶頸[22]，雖然全分辨率輸入需要處理的數據量大增，但是能夠保持OARs相鄰層面的連續性，避免出現圖1中對靠近肝臟的胃腸道判斷錯誤的情況。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算法發展的必經之路，簡化三維DL算法將是未來的發展方向。

本研究所用的AccuContour軟件還可以自動勾畫胃、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的自動勾畫，而DL算法模板卻可以勾畫得相當準確，可見DL算法模板更適合用于上腹部OARs的自動勾畫。

4 總結

綜合本研究來看，在自動勾畫上腹部OARs時，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能夠提供更加準確地勾畫，可以替代Atlas用于臨床。雖然現在的DL算法模板還不是3D數據處理，但是依然可以嘗試著用于某些腫瘤靶區的自動勾畫，如鼻咽癌腫瘤臨床靶區（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，腫瘤放療醫師在勾畫時費時費力，建立了合適的模板就可以節省大量的時間精力。又或是為物理師建立模板用于勾畫上述腫瘤調強治療計劃所用的輔助限制劑量區域，同樣也可以節省物理師的工作時間。所以利用基于卷積神經網絡的DL算法在以后的放療工作中有著廣闊的應用前景，必將越來越多地在臨床工作中得到使用。