基于深度學習肝癌放射治療中腎臟自動勾畫的研究

鐘勝河

(崇左市人民醫院 腫瘤科，廣西 崇左 532200)

0 引言

肝癌作為一種常見的癌癥類型，目前已經成為影響人民健康的重要因素之一。原發性肝癌包括肝細胞癌(HCC，75%-85%)和肝內膽管癌(10%-15%)。絕大多數原發性肝癌患者不適合手術治療。手術切除、肝移植和經皮穿刺是治療早期肝癌的有效方法[1]。放射治療是一種非手術替代療法，通常用于治療晚期肝癌患者[2,3]。由于在 20 世紀 90年代以前，放射治療的精度較差，導致放療的效果較差，且對肝腎臟損傷較大，因此對 HCC 患者較少進行放療。隨著精確放療技術發展迅速，放射治療技術日益成熟和廣泛應用[4]。在物理師設計肝癌放療計劃前，腫瘤放射治療醫師需精確勾畫臨床治療靶區、正常肝組織、腎臟等器官。腎臟作為危及器官之一，其結構的準確勾畫對肝癌放療患者的計劃設計以及放療劑量分布有重要的影響。但放療醫師逐層手工勾畫腎臟輪廓，會花費許多寶貴的時間。

本研究選取不同具有放射治療適應癥的肝癌患者，利用卷積神經網絡模型構建肝癌DICOM自動分割平臺，實現對肝癌患者腎臟自動勾畫，并對比分析自動勾畫和人工勾畫的效果，為肝癌放療患者腎臟自動勾畫提供參考。

1 材料和方法

1.1 病例選擇

選取崇左市人民醫院收治的具有放射治療適應癥肝癌患者50例，收治時間為2017年12月至2021年6月?；颊咂骄挲g48歲，中位年齡為50歲，年齡范圍30～62歲。對50例肝癌患者隨機進行編號，并將前30例分入訓練組，后20例分入測試組。

1.2 數據采集

利用真空墊進行體位固定，CT 定位掃描使用的是飛利浦CT 模擬機，CT 重建的層厚為 5 mm，層間距為 5 mm。掃描結束后，將定位 CT 圖像傳輸至瓦里安Eclipse 13.5治療計劃系統。腫瘤放射治療專家使用 Eclipse13.5治療計劃系統的勾畫工具，在 CT圖像中將50例肝癌患者的左右腎臟輪廓并逐例勾畫，并記錄測試組患者的勾畫時間。將訓練組勾畫的結果進行圖像預處理，用于自動分割平臺的訓練，構建肝癌患者腎臟自動勾畫的平臺。將測試集數據導入，并完成自動勾畫，記錄勾畫時間。

1.3 評價指標

用手工勾畫腎臟的輪廓為參考，對比自動勾畫輪廓為的數據結果，計算兩種勾畫輪廓之間的體積差異、位置差異和形狀一致性程度，從而評價軟件自動勾畫的效果。評價指標包括體積差異△V%、戴斯相似性系數(Dice Similarity Coefficient, DSC)和豪斯多夫距離(HausdorffDistance, HD)。

1.3.1 體積差異△V%

1.3.2 戴斯相似性系數(Dice Similarity Coefficient, DSC)

1.3.3 豪斯多夫距離(Hausdorff Distance, HD)

1.3.4 勾畫時間

統計分析測試組，腫瘤放射治療專家勾畫左右腎臟的時間和自動勾畫時間。

2 結果

2.1 體積差異△V%

20例測試患者自動勾畫和手動勾畫左右腎臟體積差異如圖1所示，結果顯示左腎體積差異平均值為：1.13%，標準差為5.86%，右腎體積差異平均值為：0.4%，標準差為5.21%。

圖1 20例患者左右腎臟自動勾畫和手動勾畫體積差異

2.2 戴斯相似性系數(DSC)

如圖2所示為20例測試患者自動勾畫和手動勾畫左右腎臟DSC值，結果顯示右腎臟DSC平均值為：0.705，標準差為0.0964，左腎臟DSC平均值為：0.711，標準差0.0799，結果表明大多數樣本的腎臟自動勾畫結果和放療專家手動勾畫結果形狀一致性較好。

圖2 20例患者左右腎臟自動勾畫和手動勾畫形狀相似性

2.3 豪斯多夫距離(HD)

如圖3所示為20例測試患者自動勾畫和手動勾畫左右腎臟HD值，結果顯示右腎臟HD平均值為：6.875mm標準差為1.7784，左腎臟HD平均值為：6.725mm，標準差為1.7922。

圖3 20例患者左右腎臟自動勾畫和手動勾畫豪斯多夫距離

2.4 勾畫時間

20例肝癌放療患者左右腎臟自動勾畫平均用時5.7s，腫瘤放射治療專家人工勾畫平均用時863.5s，自動勾畫能顯著降低左右腎臟勾畫時間。

3 討論

放射治療已成為肝癌放射治療的重要手段之一。逆向調強放射治療相對傳統三維二維放療技術，能夠明顯在改善腫瘤靶區內放射劑量分布，并降低周圍正常器官的照射劑量，目前臨床放療應用中占據主要地位[5]。靶區和危及器官的精確勾畫是保障肝癌調強放療實施中的重要內容，腫瘤放射治療醫師在放療計劃設計前需要準切完成臨床靶區以及正常器官輪廓的勾畫。然而，人工勾畫輪廓不僅耗時耗力，且受到放療醫生的勾畫經驗以及醫學影像質量等相關因素的影響。

Kieselmann等[6]12例患者的治療前T1加權MR圖像構建了影像圖庫，這些患者的腮腺、脊髓和下頜骨輪廓由臨床醫生進行勾畫。并根據臨床醫師對OARs的勾畫結果提取特征值。然后構建自動分割算法，并對新患者的MR進行自動分割。并計算Dice相似系數、標準和95%Hausdorff距離(HD和HD95)以及平均表面距離(measure surface distance，MSD)來測量幾何精度，其中手動輪廓作為金標準。結果顯示平均Dice相似系數平均值大于0.8，平均MSD小于2mm，表明基于影像圖庫自動勾畫軟件能有效的提高OARs自動勾畫。Zhong等[7]開發了一套人工智能靶區勾畫體系，使用Dice相似系數和95%Hausdorff距離(HD95%)對危及器官輪廓自動勾畫精度進行量化，結果顯示該自動系統在勾畫脊髓、腦干、顳葉、眼睛、視神經、腮腺和喉部等危及器官方面表現最好(Dice相似系數＞0.7)，使用自動輪廓后，勾畫時間從小時顯著縮短到分鐘，同時自動和手動勾畫獲得了極好的一致性，大多數OARs自動勾畫可以達到臨床接受水平。上述研究雖然取得一定得效果，但這些算法在臨床放射治療應用中仍然存在一些缺陷，譬如基于醫學影像灰度值的自動分割方法對于 CT 影像中灰度值較為相似的區域自動分割效果偏差，而基于圖譜庫模板的算法則對模板質量要求較高，實際應用中難以完全達到臨床需求，通常還需進行大量人為修正[8-10]。

本文基于卷積神經網絡搭建肝癌放射治療患者的左右腎臟實現自動勾畫，測試集左右腎臟DSC相似性指數平均值分別為0.711和0.705，一般 DSC 值超過 0.7 即可認為勾畫效果較佳，有臨床應用意義。同時在勾畫時間方面，自動勾畫極大的降低了左右腎臟輪廓勾畫的時間。雖然本研究取得了一定成果，但仍然存在一定不足，譬如算法訓練集病例過少，日后工作需加入更多病例訓練，提供勾畫系統的精確度，讓肝癌腫瘤放療患者能夠得到更快、更精確的治療。