王沛沛，李金凱，李彩虹，昌志剛，顧宵寰，曹遠(yuǎn)東

江蘇省人民醫(yī)院放射治療中心，江蘇南京210029

前言

隨著放射治療技術(shù)的發(fā)展，調(diào)強(qiáng)放療（Intensity-Modulated Radiotherapy,IMRT）已成為主流放療技術(shù)。IMRT可以在獲得精確靶區(qū)劑量分布的同時(shí)更好地保護(hù)周?chē)＝M織，但前提條件之一是在放療計(jì)劃設(shè)計(jì)前精確地勾畫(huà)靶區(qū)和危及器官（Organs-at-Risk,OAR）體積輪廓［1-2］。通常，醫(yī)生根據(jù)患者的CT圖像手動(dòng)描繪放療靶區(qū)和OAR，然而勾勒過(guò)程非常耗時(shí)，包含了大量重復(fù)性的工作，降低了診療效率，耽誤了患者的治療時(shí)間。當(dāng)前已有多個(gè)基于圖譜庫(kù)（Atlas-based）的自動(dòng)勾畫(huà)軟件投入到臨床應(yīng)用中，可以為醫(yī)生節(jié)省大量的OAR勾畫(huà)時(shí)間，提高工作效率，并減少不同醫(yī)生間的勾畫(huà)差異［3-6］。然而基于圖譜庫(kù)的自動(dòng)勾畫(huà)軟件需要大量已經(jīng)勾畫(huà)好OAR的CT圖像，由這些圖像訓(xùn)練得到一個(gè)模板數(shù)據(jù)庫(kù)，這不僅耗時(shí)耗力，而且勾畫(huà)時(shí)不具備自動(dòng)識(shí)別OAR邊緣的能力［7-8］。

人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)［9-10］?；谌斯ぶ悄芗夹g(shù)的OAR體積輪廓自動(dòng)勾畫(huà)軟件使用時(shí)無(wú)需訓(xùn)練，容易上手。江蘇省人民醫(yī)院放療科每年收治的腫瘤患者中，胸部腫瘤約占50%，OAR勾畫(huà)成為醫(yī)生日常工作中比較繁瑣的部分。本研究主要目的是通過(guò)臨床前的測(cè)試，評(píng)估基于人工智能技術(shù)的圖像自動(dòng)勾畫(huà)軟件在胸部OAR自動(dòng)勾畫(huà)的準(zhǔn)確度，為臨床應(yīng)用提供依據(jù)。

1 資料與方法

1.1 一般資料

選取2018年12月江蘇省人民醫(yī)院收治的30例胸部腫瘤患者，其中食管癌10例、乳腺癌10例、肺癌5例、胸腺癌5例。定位時(shí)均采用仰臥位，采用CT模擬定位系統(tǒng)（Siemens Sensation Open,德國(guó)）進(jìn)行掃描，掃描層厚5 mm，層間距5 mm。將CT圖像通過(guò)DICOM傳至自動(dòng)勾畫(huà)軟件工作站和醫(yī)生工作站。

1.2 軟件工作站

使用醫(yī)科達(dá)公司的MONACO-Sim V5.1手動(dòng)勾畫(huà)CT圖像的胸部OAR，包括雙肺、心臟和脊髓，均參考RTOG 1106胸部OAR勾畫(huà)指南。

使用MANTEIA公司的AccuContour精確自動(dòng)勾畫(huà)軟件自動(dòng)勾畫(huà)同一CT圖像的胸部OAR。該軟件用于在CT圖像上繪制放射治療計(jì)劃所需的患者解剖結(jié)構(gòu)的輪廓。

近年來(lái)，基于深度學(xué)習(xí)的算法模型相比于傳統(tǒng)模型實(shí)現(xiàn)了巨大的進(jìn)步，尤其是U-Net的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在OAR勾畫(huà)領(lǐng)域，有許多深度學(xué)習(xí)模型被提出，有的通過(guò)在局部區(qū)域上使用分類(lèi)算法，有的包含圖像前處理、模型后處理，也有一些直接使用基于U-Net的結(jié)構(gòu)。這些勾畫(huà)技術(shù)存在一些問(wèn)題，比如純粹基于深度學(xué)習(xí)的算法精度上限于人類(lèi)勾畫(huà)的結(jié)果，無(wú)法得到精度的進(jìn)一步提升；在全身的OAR勾畫(huà)中，并不是所有器官深度學(xué)習(xí)的方法都能達(dá)到最優(yōu)的精度等。AccuContour精確自動(dòng)勾畫(huà)軟件提出了一種基于深度學(xué)習(xí)和傳統(tǒng)算法模型結(jié)合的方法，該方法分為數(shù)據(jù)收集及標(biāo)注、模型訓(xùn)練、模型預(yù)測(cè)產(chǎn)生結(jié)果這3個(gè)部分，其中模型訓(xùn)練為核心模塊。該模塊在獲取訓(xùn)練集數(shù)據(jù)后，依次構(gòu)建損失函數(shù)池、圖像分割模型池以及可選擇參數(shù)池；基于所述可選擇參數(shù)池隨機(jī)選擇相應(yīng)的損失函數(shù)、圖像分割模型以及訓(xùn)練參數(shù)值構(gòu)建訓(xùn)練模型，并基于訓(xùn)練集數(shù)據(jù)對(duì)訓(xùn)練模型進(jìn)行訓(xùn)練，獲取訓(xùn)練好的訓(xùn)練模型；然后，對(duì)每一個(gè)訓(xùn)練好的訓(xùn)練模型在對(duì)應(yīng)的驗(yàn)證集上進(jìn)行Dice值計(jì)算處理，獲取每個(gè)訓(xùn)練好的訓(xùn)練模型驗(yàn)證測(cè)試的Dice值；最后，選取Dice值最高的對(duì)應(yīng)的訓(xùn)練好的訓(xùn)練模型作為最終的OAR自動(dòng)勾畫(huà)模型。

1.3 評(píng)價(jià)指標(biāo)

以醫(yī)生手動(dòng)勾畫(huà)的OAR輪廓體積作為參考，評(píng)價(jià)自動(dòng)勾畫(huà)的OAR輪廓體積的準(zhǔn)確性。為了確保手動(dòng)勾畫(huà)OAR的準(zhǔn)確性，每個(gè)病例手動(dòng)勾畫(huà)完成后均由副主任醫(yī)師及以上資格的醫(yī)師審閱和修改。評(píng)價(jià)指標(biāo)包括Hausdorff距離、形狀相似性指數(shù)（Dice Similarity Coefficient,DSC）和Jaccard系數(shù)。

1.3.1 Hausdorff距離Hausdorff距離是度量空間中任意兩個(gè)集合之間距離的量。定義空間中的兩個(gè)點(diǎn)集A={a1,a2,…}，B={b1,b2,…}，Hausdorff距離用于衡量A、B之間的距離，計(jì)算公式為：

1.3.2 DSCDSC用于評(píng)價(jià)自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR的重合性［11-13］。

其中，Va為自動(dòng)勾畫(huà)OAR的體積，Vm為手動(dòng)勾畫(huà)OAR的體積。DSC值的范圍從0到1，DSC越接近于1，表示兩種勾畫(huà)方式的重合性越好。

1.3.3 Jaccard系數(shù)用于度量?jī)蓚€(gè)集合（A和B）之間的相似性，定義為兩個(gè)集合交集的大小除以并集的大小，其計(jì)算公式為：

0≤J(A,B)≤1，Jaccard系數(shù)數(shù)值越大，樣本相似度越高。

2 結(jié)果

表1展示了30例基于人工智能的自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)胸部OAR幾何量化評(píng)價(jià)參數(shù)（均值±標(biāo)準(zhǔn)差）的統(tǒng)計(jì)學(xué)結(jié)果。結(jié)果顯示，在肺、心臟和脊髓的Hausdorff距離均值（標(biāo)準(zhǔn)差）中，最大的為右肺的（22.31±4.50）mm，最小為脊髓的（3.17±0.80）mm；4項(xiàng)OAR的DSC值均≥0.91，其中，左右肺的DSC可以高達(dá)0.98±0.01，脊髓的DSC為0.92±0.02，心臟略低為0.91±0.03；4項(xiàng)OAR的Jaccard系數(shù)中左肺和右肺的均值≥0.95，脊髓的為0.84±0.02，心臟的略低為0.83±0.04。

圖1顯示了自動(dòng)勾畫(huà)與人工勾畫(huà)效果比較圖，可以看出，自動(dòng)勾畫(huà)和醫(yī)師手動(dòng)勾畫(huà)幾乎一致，但有時(shí)肺尖處層面差別較大，用于計(jì)劃設(shè)計(jì)時(shí)需手動(dòng)修改。另外，自動(dòng)勾畫(huà)的脊髓偶有層面勾畫(huà)不正確，需認(rèn)真修改。

表1 自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)結(jié)果幾何量化評(píng)價(jià)參數(shù)（±s）Tab.1 Comparison of geometric quantitative evaluation parameters between automatic segmentation and manual segmentation(Mean±SD)

表1 自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)結(jié)果幾何量化評(píng)價(jià)參數(shù)（±s）Tab.1 Comparison of geometric quantitative evaluation parameters between automatic segmentation and manual segmentation(Mean±SD)

危及器官左肺右肺心臟脊髓Hausdorff距離/mm 20.55±5.50 22.31±4.50 15.69±5.91 3.17±0.80 DSC 0.98±0.01 0.98±0.01 0.91±0.03 0.92±0.02 Jaccard系數(shù)0.96±0.01 0.95±0.02 0.83±0.04 0.84±0.02

3 討論

圖1 1例胸部腫瘤患者人工與自動(dòng)勾畫(huà)危及器官結(jié)果CT圖像示例Fig.1 An example of CT image of manual and automatics segmentations of organs-at-risk in a patient with thoracic tumor

精確放療時(shí)代下，最優(yōu)的計(jì)劃設(shè)計(jì)很大程度上依賴(lài)于精確的輪廓勾畫(huà)，因此保證靶區(qū)和OAR勾畫(huà)的準(zhǔn)確性是確保患者療效的前提。臨床工作中OAR勾畫(huà)的工作量大、重復(fù)性高，另外受醫(yī)師不同專(zhuān)業(yè)水平的限制，很難保證勾畫(huà)的一致性。因此，自動(dòng)勾畫(huà)的軟件工具越來(lái)越受到關(guān)注，以期在不犧牲勾畫(huà)精度的前提下，提高勾畫(huà)效率、減少不同勾畫(huà)者間的差異。人工智能是計(jì)算機(jī)學(xué)科的一個(gè)分支，對(duì)于繁重的重復(fù)勞動(dòng)、計(jì)算及大量記憶來(lái)說(shuō)，計(jì)算機(jī)比人腦更能勝任，甚至比人腦做得更快、更好。近年來(lái)基于機(jī)器學(xué)習(xí)的自動(dòng)勾畫(huà)技術(shù)開(kāi)始應(yīng)用于OAR勾畫(huà)，其中有不少學(xué)者提出了基于深度學(xué)習(xí)的自動(dòng)分割技術(shù)［14-18］。本研究的OAR自動(dòng)勾畫(huà)系統(tǒng)依托于深度學(xué)習(xí)進(jìn)行腫瘤放療OAR的智能化、自動(dòng)化勾畫(huà)。

從研究結(jié)果看，在未經(jīng)任何人工修正的情況下，胸部腫瘤放療中OAR的自動(dòng)勾畫(huà)結(jié)果與人工勾畫(huà)結(jié)果相比均有較高的精度。Hausdorff距離中，最大的為右肺（22.31±4.50）mm，勾畫(huà)差異的位置集中在肺尖處。DSC是一項(xiàng)評(píng)價(jià)自動(dòng)勾畫(huà)與手動(dòng)勾畫(huà)OAR重合性的重要指標(biāo)，Zijdenbos等［19］認(rèn)為DSC＞0.7表示重合度較好。臨床工作中，放射腫瘤醫(yī)生認(rèn)為軟件輪廓勾畫(huà)的DSC達(dá)95%左右時(shí)，基本不需調(diào)整，或僅需輕微修改。張嵩［20］指出臨床符合率達(dá)到85%即可滿(mǎn)足臨床勾畫(huà)功能的有效性的驗(yàn)證。本研究中OAR的DSC值均≥0.9，均可滿(mǎn)足臨床要求。

另外，醫(yī)生手工勾畫(huà)胸部OAR用時(shí)約20～30 min，AccuContour精確自動(dòng)勾畫(huà)軟件用時(shí)不到1 min。結(jié)合兩種手段，醫(yī)師在自動(dòng)勾畫(huà)OAR的基礎(chǔ)上進(jìn)行修改，時(shí)間大約為2～5 min，這樣既節(jié)約了時(shí)間又提高了勾畫(huà)精度及準(zhǔn)確度。

雖然自動(dòng)勾畫(huà)的OAR仍需要進(jìn)一步修改，但在很大程度上減少了醫(yī)師的工作量。經(jīng)測(cè)試，基于人工智能技術(shù)的OAR自動(dòng)勾畫(huà)具有較高的準(zhǔn)確性和精度，能很好地輔佐醫(yī)生，減輕醫(yī)生的工作量，提高醫(yī)療服務(wù)的質(zhì)量。