不同固定窗寬/窗位調節在醫學圖像自動分割中的應用研究

余行，何奕松，傅玉川

四川大學華西醫院 放療科，四川 成都 610041

引言

醫學影像是實現現代精確放療的基礎條件之一。為了得到可接受的劑量分布，放療醫生通常在CT圖像上直接或匹配MRI、PET-CT等影像聯合勾畫靶區及危及器官[1-2]，然后由物理師或劑量師基于CT圖像設計治療計劃，其中的劑量計算基礎是電子密度與CT值的轉換關系[3-4]。CT值是與物質吸收系數相關的相對值，其HU數值通常為-1000～3000。若將空氣的CT值設為-1000 HU，對于骨或者密度高于骨的組織或物體而言，其CT值可超過1000 HU。

常見的CT影像位深為12或16，對應的灰階數可達4096或65536，而人眼可識別的灰階數不超過900[5]。因此當使用CT影像進行臨床診斷時，需要調整其顯示模式，其中窗寬（Window Width，WW）/窗位（Window Level，WL）是CT圖像顯示的可調節屬性之一，優化最佳WW/WL有助于疾病的診斷[6]。在勾畫放療相關的危及器官時，對應不同的身體部位或器官也有推薦的WW/WL，例如對肺進行勾畫時使用肺窗（-1150～350 HU），對心臟進行勾畫時使用縱隔窗（-160～240 HU）[7-8]。WW/WL的調節不僅提高了對比度，同時也可以排除無關組織及器官的影響。

由于CT圖像的成像受多種因素如CT裝置、管電壓、對比劑或重建等因素的影響，無論是傳統的醫學圖像處理算法，還是近年來興起的基于深度學習的醫學圖像處理方法[9]，都需要將WW/WL調節作為重要的預處理步驟。WW/WL調節可分為固定WW/WL調節與非固定WW/WL調節。Huo等[10]研究表明使用固定WW/WL調節對腹部CT圖像給予軟組織窗（160～240 HU）的轉換后能改善右腎及胃的分割結果。Lee等[11]研究表明通過自適應WW/WL轉換能夠提高顱內出血及結石的檢出率。通常而言，對于來自相同CT設備、具有相同重建核數及掃描參數的數據集，固定WW/WL轉換往往有較好且較穩定的分割結果；而非固定WW/WL轉換常用于數據集來源不同或掃描條件不同等條件下的醫學圖像分割或醫學目標檢測，且可影響基于深度學習的圖像自動分割結果或目標檢測結果[10-12]。不同的非固定WW/WL轉換在特定情況下能夠改善圖像分割的結果，但尚未有研究探討常見的固定WW/WL對于自動分割結果的影響。

本文以肺癌放療涉及的危及器官為例，利用公開數據集，通過對胸部影像CT進行固定WW/WL的調節處理，探究臨床上常見的不同固定WW/WL對于肺癌放療中基于深度學習的危及器官自動勾畫結果的影響，同時驗證圖像預處理對于影像自動分割的作用。

1 材料與方法

1.1 影像資料

該研究中使用的數據集來源于2017年肺癌分割比賽的公開數據集[13]，危及器官包括心臟、食管、脊髓、左肺和右肺。公開數據集中共60例CT數據，分別來自3個不同的癌癥中心，每個中心20例。所有的CT掃描均包括整個胸部，層數為103～279，CT重建矩陣為512×512，層厚為1.25～3.0 mm，像素大小為0.98～1.37 mm。

1.2 固定窗寬/窗位調節方法

WW/WL作為CT影像顯示的可調節屬性，能夠幫助醫生獲得更為清晰的CT影像。根據不同的WW/WL值，CT影像被相應地轉為灰度圖像，灰度值為0～255，0為黑色，255為白色。本研究中，CT圖像與灰度圖像的轉換方法如式(1)所示。

假設CT圖像中一個像素的CT值為f(i)，g(i)為經過WW/WL調節后的像素值，其中m=WL-0.5WW，n=WL+0.5WW。WW/WL的調節方法如圖1所示。

圖1 WW/WL調節的示意圖

1.3 分割網絡及實施方法

為了評估不同固定WW/WL對于圖像自動分割效果的影響，在訓練前首先對圖像進行WW/WL調節，選取了5種不同的WW/WL，其中4種為臨床上常見的預設WW/WL[14]，包括軟組織窗（-140～260 HU）、縱隔窗（-160～240 HU）、骨窗（-450～1050 HU）、肺窗（-1150～250 HU），另外一種為全WW/WL（Whole Intensity Range，WIR），其轉換示意圖如圖2所示。本研究選取2D-Unet[15]作為深度學習的網絡框架，同時隨機選取數據集中的48例作為訓練和驗證集，余下12例作為測試集。在訓練與測試時均對數據集進行相同的WW/WL調節處理。除了WW/WL調節外，其他處理操作都相同。同時，為了排除其他誤差，本研究未使用數據擴增、遷移學習等其他提高分割效果的措施。該網絡的訓練在GeForce RTX 3090上進行，使用Pytorch 1.8.1和Python 3.8進行訓練，訓練損失函數為Dice損失函數，圖像大小為512×512，epochs為60，batch size為8，學習率為0.0001。實驗的總體方法如圖3所示。

圖2 同一層面不同的WW/WL調節示意圖

圖3 實驗流程圖

1.4 評估方法

1.4.1 Dice相似性系數

Dice相似性系數（Dice Similarity Coefficient，DSC）是醫學圖像分割中常用的指標，其計算公式如式(2)所示。

其中|A|代表醫生勾畫的分割區域，|B|代表自動分割區域，|A∩B|代表A和B的交集。DSC的數值介于0～1之間，其中1表示圖像之間完全重疊，0表示完全沒有重疊，數值越高代表分割效果越好。

1.4.2 Hausdorff距離

對于兩個給定的集合A和B，最大Hausdorff距離（Hausdorff Distance，HD）定義如式(3)～(4)所示。

其中||a-b||是歐幾里得距離，a和b分別是A和B邊緣上的點，同時h(A,B)通常被稱為直接HD。

95% HD與最大HD相似，但95%HD基于A和B中邊界點之間距離的第95個百分位的計算，其目的在于消除極端點對于分割結果的影響。

1.5 統計學分析

2 結果

2.1 不同固定WW/WL調節對肺癌危及器官進行自動分割的DSC值

利用不同固定WW/WL調節對肺癌危及器官進行自動分割的結果如表1和圖4～5所示。就心臟而言，其最佳分割DSC值為軟組織窗（0.895±0.055），食管的分割DSC在縱隔窗表現最好（0.802±0.044）；左肺在肺窗DSC值（0.941±0.024）表現最好，右肺在骨窗DSC值（0.956±0.019）表現最好，脊髓在WIR下分割DSC值結果（0.908±0.025）最好。

表1 不同WW/WL調節下危及器官的分割結果

圖4 不同WW/WL調節下的分割結果對比

圖5 不同危及器官在不同WW/WL下的DSC值分割對比

就左、右肺及脊髓在不同WW/WL下的DSC分割結果而言，不同WW/WL調節對于其分割結果無顯著影響（P=0.057、0.090、0.894），如表2～3所示。對于食管和心臟而言，不同WW/WL調節對于其分割結果有顯著影響（P<0.001）。

2.2 不同固定WW/WL調節對肺癌危及器官進行自動分割的95%HD

脊髓在不同WW/WL調節下的分割結果無統計學差異（P=0.116）；左肺、右肺、食管及心臟在不同WW/WL下的分割結果均有統計學差異（P=0.005、0.001、<0.001、0.007），結果如表2、表4所示。

表2 不同WW/WL調節對危及器官勾畫影響的P值

表3 不同WW/WL對食管和心臟勾畫結果DSC的影響

表4 不同WW/WL對左右肺、食管和心臟勾畫結果95%HD的影響

3 討論

本研究首次利用了五種常見的固定WW/WL調節對肺癌的危及器官進行了自動勾畫并就不同的固定WW/WL轉換后的分割結果進行了對比，發現心臟的最佳分割DSC值出現在軟組織窗，食管的最佳DSC值出現在縱隔窗，左肺最佳分割DSC值出現在肺窗，右肺最佳DSC值出現在骨窗，脊髓的最佳分割DSC值出現在WIR。

CT影像的WW/WL調節不僅常應用于臨床診斷，也應用于放療的靶區及危及器官勾畫。在RTOG-116號報告中，推薦在肺窗條件下勾畫危及器官肺，在縱隔窗條件下勾畫心臟。近年來，深度學習被廣泛應用于放療靶區及危及器官的自動勾畫，而固定WW/WL調節也成為網絡訓練前對圖像進行預處理的重要步驟，因此，有必要探討臨床上常見的固定WW/WL調節對放療危及器官自動勾畫的影響。本研究表明，對于脊髓而言，不同的WW/WL調節無論對DSC還是95%HD，均無明顯影響。但對肺而言，WW/WL的調整有利于降低勾畫偏離較大的現象。對于食管和心臟而言，不同的WW/WL對其勾畫結果影響較大，但其最佳WW/WL調節與臨床上推薦使用的WW/WL調節基本一致。

對于肺癌危及器官中的大部分器官如左右肺、食管及心臟而言，利用WW/WL調節對圖像進行預處理大多能得到優于不進行預處理的結果。而作為醫學圖像處理任務中預處理的重要步驟或影像診斷中的重要步驟，除了常規對WW/WL進行固定調節外，有不少的研究也就非固定WW/WL進行了研究。Sundaran等[16]利用深度學習的方法消除MRI背景中的無關像素從而尋找一個最佳的WW/WL。Hoogi等[12]利用自適應局部窗口對CT和MRI上的肝臟病變進行了分割并取得了較好的分割結果。由于不同掃描機器、不同醫療機構掃描程序、不同個體之間的差異，最佳WW/WL并不固定，因此非固定WW/WL調節的應用能夠提高分割結果的泛化性。但是這并不意味著非固定WW/WL調節是優于固定WW/WL調節的，Huo等的研究結果表明對于來自相同CT設備、具有相同重建核數及掃描參數的數據集而言，固定WW/WL調節反而具有較好的分割結果[10]。如何將固定WW/WL調節和適應性調節結合起來得到最優化的圖像處理結果，仍是今后需要進一步探討的課題。

由于本研究的目的是探究不同固定WW/WL調節對于危及器官自動分割結果的影響，而不是追求最佳分割結果，因此只選擇了最簡單的2D-Unet網絡作為自動分割工具。另外，本文只就肺癌的危及器官分割進行了研究，并未涉及頭頸、腹部及盆腔的危及器官，未來還需要就其他部位的危及器官進行深入研究。

4 結論

不同固定WW/WL調節對不同危及器官的影響不同，在進行自動分割時應選取合適的WW/WL值，可大致參考臨床推薦WW/WL值。