自動勾畫軟件LinkingMed和SPICE應用于頭頸部危及器官勾畫的準確性比較

李 楨，洪文松，黃凱齡，葉柳青

（廣東省第二人民醫院放療科，廣州 510317）

0 引言

高精度的調強放療是頭頸部腫瘤治療的重要手段之一，其危及器官數量眾多，勾畫復雜，限量嚴格，使得手動勾畫危及器官成為一件耗時耗力的事情，因此有諸多自動勾畫軟件被應用于臨床以提高醫生的工作效率。這些軟件有基于圖譜庫算法的Smart Segmentation、MIMAtlas、ABAS和Raystation等，其通過匹配圖譜庫的模板進行剛性或形變配準得到自動輪廓，用戶選擇不同的病例數建立不同的圖譜庫模板將影響自動勾畫的時間和準確性[1-2]；其中基于概率圖譜庫算法的軟件SPICE的圖譜庫則不可修改，用戶只能調取并使用[3]。基于深度學習算法的軟件LinkingMed和Manteia等是對標準數據集進行訓練學習，通過算法邏輯完成輪廓的勾畫[4-5]，基于卷積神經網絡（convolutional neural network，CNN）算法的軟件是屬于其中的一種。目前有較多比較自動勾畫軟件的研究，有基于圖譜庫算法的軟件在不同模板庫下的準確性比較[1-2，6-8]及相互間的比較[3，9]，自適應剛性或形變配準的自動勾畫軟件與MIMAtlas自動勾畫軟件間的比較[10-11]，以及基于深度學習算法的自動勾畫軟件和ABAS自動勾畫軟件間的比較[12-13]等，但較少檢索到基于CNN算法和概率圖譜庫算法間自動勾畫軟件結果的比較。因此本文主要分析比較基于這2種算法的LinkingMed軟件和SPICE軟件對頭頸部危及器官勾畫的準確性，為自動勾畫軟件的發展提供臨床參考依據。

1 資料與方法

1.1 一般資料

選擇2019年10月至2020年4月在廣東省第二人民醫院接受放療的鼻咽癌（Ⅱ～Ⅲ期）患者31例，其中男性20例、女性11例。入組標準：（1）CT掃描范圍包括整個頭頸部，以頭頂至鎖骨下2 cm為佳；（2）體表輪廓正常、規則；（3）口腔處理后不影響下頜骨結構。排除標準：（1）CT圖像中存在明顯偽影影響正常組織器官顯示；（2）頭頸部器官存在先天畸形；（3）原發疾病對正常器官解剖關系有明顯影響的。本研究獲得醫院倫理委員會批準。患者CT掃描定位時行仰臥位，以頭頸熱塑體膜固定，掃描機器為西門子大孔徑螺旋CT（Somaton Sensation Open），掃描條件為管電壓120 kV、管電流120 mAs，掃描重建層厚為3 mm，層間距為3 mm。將掃描獲得的CT圖像數據傳送至Pinnacle39.10治療計劃系統。

1.2 自動勾畫軟件

SPICE是內置在Pinnacle39.10治療計劃系統中的自動勾畫軟件，勾畫流程如圖1所示。LinkingMed是北京連心醫療科技有限公司研發的自動勾畫軟件（Version 3.1.10），勾畫流程如圖2所示。

圖1 SPICE自動勾畫流程圖

圖2 LinkingMed自動勾畫流程圖

1.3 危及器官勾畫

為了確保手工勾畫的一致性，由1名有經驗的放療醫師在Pinnacle39.10治療計劃系統上手工勾畫危及器官，并經過主任醫師逐層審核和修改。危及器官包括：眼球、晶體、視神經、腦干、脊髓、腮腺和下頜骨。采用自動勾畫模塊SPICE對以上危及器官進行自動勾畫，勾畫完畢即傳入軟件LinkingMed進行自動勾畫，最后進行比較評估。SPICE與手工勾畫的差異值定義為SPICE組，LinkingMed與手工勾畫的差異值定義為LinkingMed組。

1.4 評價指標

以放療醫師手工勾畫危及器官的輪廓為金標準，分別計算2種自動勾畫結果的Dice相似性系數（Dice similarity coefficient，DSC）、Hausdorff距離（Hausdorff distance，HD）、包容性指數（inclusiveindex，IncI）和敏感性指數（sensitivity index，SI）[2]。

DSC用來評估2個輪廓間的相似程度，DSC值越大，2個輪廓相似度越高[12]。DSC計算公式如下：

式中，Vref為醫生手動勾畫輪廓的集合；Vauto為自動勾畫輪廓的集合。

假設有2組集合Xref={x1，x2…，xn}、Yauto={y1，y2…，yn}，則Xref和Yauto之間的HD定義為

IncI即2個輪廓重疊部分與自動勾畫體積的比值，計算公式如下：

SI即2個輪廓重疊部分與手動勾畫體積的比值，計算公式如下：

1.5 統計學方法

建立Excel數據庫，采用SPSS19.0軟件進行數據分析，數據采用±s表示。2種自動勾畫結果的DSC、HD、IncI和SI比較采用配對樣本t檢驗，以P＜0.05為差異有統計學意義。

2 結果

2.1 自動勾畫與手工勾畫結果的比較

其中1例患者自動勾畫與手動勾畫結果如圖3所示，眼球、腦干、脊髓和下頜骨的自動勾畫與手動勾畫重合度較高，勾畫精度高，晶體、視神經和腮腺的重合度一般。

圖3 自動勾畫和手動勾畫的輪廓示意圖

2.2 2組勾畫結果的DSC比較

LinkingMed組除了左右視神經外，其余危及器官的DSC均值都≥0.7。SPICE組除了左右晶體和左右視神經外，其余危及器官的DSC均值也都＞0.7。LinkingMed組的左右眼球、左右晶體、左右視神經、左右腮腺、脊髓和下頜骨的DSC均值都大于SPICE組。除了右視神經和左右腮腺，2組其他危及器官的DSC值差異均有統計學意義（P＜0.05）。詳見表1。

表1 31例鼻咽癌患者2組自動勾畫危及器官的DSC結果（±s）

表1 31例鼻咽癌患者2組自動勾畫危及器官的DSC結果（±s）

?

2.3 2組勾畫結果的HD比較

LinkingMed組的左右眼球、左右晶體、左右視神經、脊髓和下頜骨的HD均值小于SPICE組，腦干和左右腮腺的HD均值大于SPICE組。除了左晶體、右腮腺和下頜骨外，2組其他危及器官的HD值差異均有統計學意義（P＜0.05）。詳見表2。

表2 31例鼻咽癌患者2組自動勾畫危及器官的HD結果（±s）單位：mm

表2 31例鼻咽癌患者2組自動勾畫危及器官的HD結果（±s）單位：mm

組別 左眼球 右眼球 左晶體 右晶體 左視神經 右視神經 腦干 脊髓 左腮腺 右腮腺 下頜骨LinkingMed組 2.41±0.63 2.45±0.39 2.29±0.7 2.14±0.79 5.21±2.56 6.48±4.23 6.90±2.04 4.08±1.31 12.21±3.83 12.92±10.15 4.53±1.00 SPICE組 3.47±0.88 3.32±0.77 2.38±0.49 2.88±1.23 9.14±5.04 10.16±5.03 5.69±1.45 7.59±6.52 9.98±3.70 12.46±9.73 4.91±1.19 t -10.88 -5.93 -0.58 -3.02 -3.61 -3.07 3.14 -3.03 2.24 0.50 -1.49 P 0.000 0.000 0.569 0.005 0.001 0.005 0.004 0.005 0.032 0.623 0.146

2.4 2組勾畫結果的Inc I比較

LinkingMed組中除了腦干和左腮腺外，其余危及器官的IncI均值都大于SPICE組。LinkingMed組所有危及器官的IncI均值都＞0.7，左右眼球、左晶體、左右視神經、脊髓、下頜骨的IncI均值都＞0.8；SPICE組中除了左右晶體和左右視神經外，其余危及器官的IncI均值都＞0.7。除了左右眼球、腦干和右腮腺外，2組其他危及器官的IncI值差異均有統計學意義（P＜0.05）。詳見表3。

表3 31例鼻咽癌患者2組自動勾畫危及器官的Inc I結果（±s）

表3 31例鼻咽癌患者2組自動勾畫危及器官的Inc I結果（±s）

組別 左眼球 右眼球 左晶體 右晶體 左視神經 右視神經 腦干 脊髓 左腮腺 右腮腺 下頜骨LinkingMed組 0.96±0.03 0.94±0.04 0.87±0.15 0.76±0.20 0.87±0.13 0.84±0.18 0.71±0.09 0.92±0.04 0.72±0.09 0.76±0.07 0.94±0.04 SPICE組 0.95±0.03 0.93±0.06 0.66±0.21 0.57±0.25 0.43±0.16 0.40±0.12 0.73±0.08 0.90±0.04 0.78±0.10 0.73±0.13 0.81±0.06 t-1.21 1.81 5.71 4.46 13.87 12.51 -1.32 2.69 -5.16 1.33 10.27 P 0.235 0.080 0.000 0.000 0.000 0.000 0.198 0.012 0.000 0.195 0.000

2.5 2組勾畫結果的SI比較

LinkingMed組中左右眼球、左右晶體、左視神經、脊髓、左腮腺和下頜骨的SI均值都大于SPICE組。LinkingMed組除了左晶體和左右視神經外，其余危及器官的SI均值也都＞0.7；SPICE組除了左右晶體和左右視神經外，其余的危及器官的SI均值都＞0.7。除了左視神經、右腮腺和下頜骨外，2組其他危及器官的SI差異均有統計學意義（P＜0.05）。詳見表4。

表4 31例鼻咽癌患者2組自動勾畫危及器官的SI結果（±s）

表4 31例鼻咽癌患者2組自動勾畫危及器官的SI結果（±s）

組別 左眼球 右眼球 左晶體 右晶體 左視神經 右視神經 腦干 脊髓 左腮腺 右腮腺 下頜骨LinkingMed組 0.88±0.04 0.88±0.05 0.64±0.15 0.71±0.20 0.56±0.15 0.54±0.18 0.76±0.06 0.91±0.08 0.85±0.07 0.74±0.12 0.94±0.06 SPICE組 0.73±0.05 0.74±0.06 0.52±0.15 0.48±0.15 0.52±0.18 0.68±0.09 0.85±0.04 0.79±0.07 0.80±0.10 0.78±0.12 0.92±0.04 t 13.79 11.20 3.77 6.32 -1.38 -7.32 -8.00 10.66 3.54 -1.94 1.39 P 0.000 0.000 0.001 0.000 0.177 0.000 0.000 0.000 0.001 0.062 0.175

3 討論

目前深度學習算法被廣泛地應用于自動勾畫軟件，與之前基于圖譜庫算法的勾畫軟件有一定的區別。國內外都有對這2種不同算法的勾畫結果進行比較的研究[12-13]。有研究表明[14]，DSC＞0.7，則2個結構之間的相似度較好。本研究中2種勾畫軟件所勾畫的眼球和下頜骨的DSC均值都＞0.8，與手動勾畫基本重合，這是因為這3個結構的密度分辨力高、解剖結構和位置信息較固定、個體差異性小，因此LinkingMed和SPICE對此都有較好的勾畫效果，該結論與文獻[6，10，15]的結論一致。除了腦干外，LinkingMed組的DSC均值都大于SPICE組。腦干的位置相對固定、形態隨體位變化小但密度分辨力略低，因此基于形變配準的SPICE對腦干的勾畫效果略好，與Van Dijk等[13]的研究相似，該研究中ABAS組的腦干DSC值略高于DL組（深度學習組）。本研究中LinkingMed組的脊髓DSC值大于SPICE組，但HD值小于SPICE組，這是由SPICE勾畫頭頸部脊髓時，部分病例胸椎T5、T6附近的脊髓被勾畫到錐孔外導致的結果。不同患者間定位姿勢不同會導致該位置變化較大，使得SPICE在形變配準時出現誤差。2種軟件對左右腮腺的勾畫結果差不多，DSC均值都＞0.7，右腮腺的各項指標和左腮腺的DSC值都沒有統計學差異（P＞0.05），SPICE組左腮腺的HD值和IncI值略優于LinkingMed組，SI值則略差，這些結果與國外學者[13，16]的研究一致。

LinkingMed組中左右晶體的DSC均值≥0.7，高于國內部分研究[10，17-18]所得出的晶體DSC值，因為這些研究都是基于圖譜庫算法的，與本研究中的SPICE組的結果一致。這類算法主要通過匹配圖譜庫的模板進行剛性或形變配準得到自動輪廓[12]，因此患者的體位及解剖結構的形態位置信息都會影響配準的準確性，而特殊不常見體位和體積小及薄的結構，配準勾畫的準確性就較差[13]。晶體的體積較小，只有2層CT圖像顯示，筆者在研究時發現，SPICE形變配準勾畫的晶體結構常有一些多余的輪廓，使得晶體的勾畫差強人意，從IncI和SI 2個指標也能體現出這個結果，SPICE組左右晶體的IncI均值分別為0.66和0.57，SI均值為0.52和0.48，表明自動勾畫和手動勾畫重合的部分約占自動勾畫和手動勾畫體積的一半。而通過對像素灰度值進行運算處理的CNN算法則對分割目標的邊界適應性較高，不會產生因形變配準造成的輪廓誤差[16]。晶體的密度分辨力較高，因此LinkingMed對其有較好的分割，該結論與張富利等[12]的研究結果一致。LinkingMed和SPICE勾畫視神經的結果都不滿意，DSC均值都＜0.6。視神經的體積小、走向變化大，使得SPICE勾畫視神經和晶體的結果相似，與Isambert等[19]的結論一致。本研究中，LinkingMed對視神經進行自動勾畫時，缺失了連接眼球部分的小段視神經和準備進入蝶鞍兩側的小段視神經，如圖3（a）所示，因此導致DSC偏低，這可能與該模型不夠優化有關，模型中訓練集的樣本數量或各類函數權重等參數都將影響該模型的準確性從而影響勾畫效果[4-5]。LinkingMed組左右視神經的IncI均值分別為0.87和0.84，而SI值分別為0.56和0.54，表明LinkingMed勾畫的視神經輪廓比手動勾畫的小。LinkingMed組勾畫視神經的DSC均值略優于SPICE組，但HD值比SPICE組的小，標準差也小，表明LinkingMed勾畫視神經與手動勾畫的邊緣偏差較小，略優于SPICE。

綜上所述，頭頸部危及器官的自動勾畫中，LinkingMed勾畫的效果略優于SPICE。對于體積較大、密度分辨力高、形態位置分布穩定的結構，2種軟件的勾畫效果都較好，對于體積小、形態位置變化大的結構如晶體、視神經，LinkingMed略優于SPICE，考慮到臨床劑量評估的準確性，應當在自動勾畫的基礎上適當進行手工修改。在當代高精度調強放療的背景下，本研究對不同的自動勾畫軟件所勾畫危及器官對調強放療計劃的影響及臨床劑量的影響等方面未進行更深入的比較和研究，因此后續將完善這方面的研究。另外，本研究中采用的SPICE是2014年Pinnacle39.10版本中的，而版本的更迭可能會對算法和勾畫效果產生一定的影響，LinkingMed的算法模型也在不斷的優化改進中，因此本研究的分析結果僅限于當前使用的軟件和版本。