王继平，李 鑫，陈传喜，杨志勇，常敦瑞，章 桦，王 萍

（1.长江大学附属黄冈市中心医院肿瘤中心，湖北黄冈 438000；2.宜昌市第二人民医院肿瘤放射治疗科，湖北宜昌 443000；3.北京连心医疗科技有限公司研发中心，北京 100085）

0 引言

调强放疗技术可在靶区周围形成紧密的剂量梯度，有助于提高鼻咽癌放疗剂量分布的适形性[1-3]，成为鼻咽癌治疗的首选。鼻咽部的解剖结构特殊，邻近周围重要器官众多，需要放疗医师逐个准确勾画，工作量大，且都是重复性的工作。而在分次治疗过程中，有些患者会出现体质量减轻、肿瘤收缩、组织水肿等现象，导致其鼻咽部解剖结构形变[4-5]。为保证放疗的质量，对这类患者需要重新定位、设计计划，医师需要再次勾画靶区和危及器官，加重了临床医师的工作任务。因此，当前国内外越来越多的研究聚焦于头颈部危及器官的自动勾画[6-8]。自动勾画主要是机器学习[9]、深度学习[9]等在放疗软件方面的应用，深度学习以卷积神经网络[10]为代表，展现了强大的学习能力，在放疗的靶区勾画和分割等方面具有巨大的应用前景。本研究拟基于3D U-net提出一种自动分割模型，分析其勾画的精度和效率，探讨放射治疗自动化流程的可行性。

1 3D U-net勾画简介

本研究所用的3D U-net分割网络是在2D U-net的编码-解码分割网络架构的基础上改进而来。该网络的编码部分由7次下采样的扩张卷积块组成，而解码部分则相应地由7次扩张反卷积块的上采样组成，其基本框架结构如图1所示。

图1 基于3D U-net的自动分割框架

在3D编码部分，使用大小为3×3×3的卷积核进行特征图的特征融合，并级联使用大小为1×2×2的池化核进行降采样池化操作，通过3次最大池化操作，使输入CT影像的水平面分辨力大小降采样为原来的八分之一的同时保持轴向分辨力不变。而在解码部分，使用3D反卷积模块逐级还原图像的水平面分辨力直到恢复为原始影像大小，并且每个反卷积模块后级联与编码部分相同的卷积模块对每步上采样后的特征图进行局部特征融合。3D分割网络中所有的卷积层操作都跟随一个可缩放指数线性激活单元（scaled exponential linear unit，SELU）以增加网络的非线性特征学习。在网络的训练方面，本研究使用Adam优化器对Dice损失函数进行优化，网络的初始学习率为0.001。

Dice损失函数定义如下：

式中，SDSC为戴斯相似性系数（Dice similarity coefficient，DSC），定义如下：

式中，VA为手工勾画危及器官的体积；VB为自动分割危及器官的体积；VA∩VB为自动分割与手工勾画重合的体积。若VA和VB完全相交，则DSC为1；若VA和VB完全不相交，则DSC为0。DSC值越大表明自动分割的危及器官结果与手动勾画的危及器官结果越相近。

2 资料与方法

2.1 病例资料与勾画方法

病例资料：选取2017年7月至2019年5月在我院放疗中心接受放疗的58例鼻咽癌患者的CT定位图像，导入连心智能放疗云平台。定位时所有患者体位采用仰卧位，双上肢依据定位板摆放，自然平放至身体两侧，选择C枕托，以头颈肩膜固定。患者自由呼吸，采用GE LightSpeed 128排螺旋CT行静脉成像增强扫描，扫描范围从头顶至锁骨下2 cm，扫描层厚为3 mm，将扫描得到的CT图像传输至我科Pinnacle39.10计划系统。

勾画方法：首先，创建数据库。由1名有经验的放疗医师根据ICRU 83号报告[11]以及中国鼻咽癌协作组调强放疗靶区和危及器官勾画共识手工勾画眼球、晶体、视交叉、视神经、垂体、颞叶、脑干、脊髓、腮腺、内耳、喉、下颌骨、下颌关节等危及器官，并将勾画好的58例患者数据传输至连心智能放疗云平台进行训练，通过深度学习后建立鼻咽癌危及器官自动分割数据库。其次，另选10名鼻咽癌患者作为测试组，对每一位患者由同一名放疗医师手工勾画危及器官，并通过数据库对每个患者自动分割危及器官。

2.2 分割效率评估

通过连心3D U-net模型来自动分割鼻咽癌患者的感兴趣区，在PC机上通过软件读取每个危及器官自动分割的时间。对每一位患者由同一名放疗医师手工勾画危及器官，以秒为单位分别如实记录手工勾画每个危及器官所需的时间（研究记录的时间不包括放疗医师查阅资料时间），分别比较10例患者自动分割和手工勾画每个危及器官的平均时间。

2.3 几何学精度评估

（1）通过Pinnacle39.10计划系统，以放疗医师手工勾画危及器官的轮廓为金标准，评价自动分割与手工勾画结果吻合程度。

（2）体积差异（ΔV）：为评估手工勾画与自动分割结果的差异，定义ΔV为自动分割与手工勾画的体积差占手工勾画体积之比，正值表示自动分割高估了目标危及器官（过度勾画），负值表示自动分割低估了目标危及器官（勾画不足），其绝对值越接近0，表明自动分割结果变化程度越小，越接近金标准[5，12-14]。ΔV计算公式如下：

（3）DSC 和重叠比（overlap ratio，OR）：使用 DSC和OR评价自动分割与手动勾画危及器官的重合性。在图像重合度评估研究中，建议DSC＞0.7为重合度较好的标准[5，12-13]。OR值位于0～1之间，越接近1表示自动分割与手工勾画的重合性越好。DSC可由公式（2）计算得到，OR计算公式如下：

式中，IOR代表OR。

2.4 统计学处理

采用SPSS 20.0软件进行统计学分析。对自动分割与手工勾画的时间进行正态性检验，若服从正态分布，再进行配对t检验，P＜0.05为差异具有统计学意义。自动分割与手工勾画的ΔV、DSC和OR分别进行统计学分析比较，数据用±s形式表示。

3 结果

3.1 手工勾画与自动分割结果比较示例

选取其中1例患者进行自动分割和手工勾画器官对比，发现对于小器官如晶体、眼球、视神经、视交叉、腮腺有很高的重合性，勾画精度非常高，如图2所示。

图2 手工勾画与自动分割典型器官对比图

3.2 手工勾画和自动分割时间比较

10例测试患者手工勾画和自动分割的平均时间分别为1 663和432 s，自动分割较手工勾画节省时间1 231 s（74.02%）。除视交叉外，其他器官自动分割较手工勾画均大幅节省时间，差异有统计学意义（P＜0.05）。不同器官自动分割和手工勾画时间对比见表1，可以看出，自动分割可以大大缩短医师勾画时间，提高工作效率。

表1 自动分割与手工勾画危及器官时间对比

3.3 手工勾画和自动分割结果分析

通过对10例测试对象每组器官手动勾画与自动分割的ΔV、DSC值和OR值的分析发现，体积较大的危及器官，如脑干、脊髓、颞叶、喉、腮腺和下颌骨等，有很高的DSC值和OR值，平均DSC值和OR值均在0.8以上，重合性很好。部分小体积危及器官，如左右眼球、左右下颌关节和内耳有很高的DSC值和 OR 值，DSC 值分别为 0.95±0.03、0.95±0.03、0.88±0.07、0.87±0.08 和 0.93±0.04，OR 值分别为 0.96±0.02、0.96±0.02、0.84±0.05、0.83±0.03 和 0.91±0.02，重合性非常高。左右晶体和左右视神经DSC值分别为0.74±0.06、0.73±0.04 和 0.71±0.06、0.72±0.05，OR 值分别为 0.70±0.03、0.70±0.03 和 0.69±0.03、0.70±0.03，重合性较好。视交叉DSC值最小，只有0.58±0.17，OR值仅为0.48±0.09，重合性最差。具体结果见表2。

表2 自动分割与手工勾画危及器官的ΔV、DSC和OR对比（±s）

表2 自动分割与手工勾画危及器官的ΔV、DSC和OR对比（±s）

器官名称 人工勾画/cm3自动分割/cm3 ΔV/% DSC值 OR值脑干 27.89±5.31 30.21±2.05 1.58±0.39 0.88±0.04 0.89±0.02脊髓 33.47±7.21 32.89±3.59 0.62±0.08 0.92±0.02 0.93±0.03左颞叶 121.87±11.75 118.32±6.29 3.07±0.21 0.82±0.04 0.81±0.02右颞叶 125.62±12.23 119.07±5.91 4.72±0.93 0.82±0.04 0.81±0.02喉 41.73±6.22 39.63±4.28 2.01±0.48 0.84±0.10 0.82±0.05左眼球 9.64±2.31 9.57±1.42 0.12±0.02 0.95±0.03 0.96±0.02右眼球 9.83±2.15 9.78±1.21 0.13±0.02 0.95±0.03 0.96±0.02左视神经 1.23±0.03 1.49±0.02 0.22±0.01 0.71±0.06 0.69±0.03右视神经 1.41±0.04 1.58±0.02 0.11±0.01 0.72±0.05 0.70±0.03视交叉 0.52±0.02 0.37±0.01 0.18±0.02 0.58±0.17 0.48±0.09左晶体 0.81±0.03 0.69±0.01 0.12±0.03 0.74±0.06 0.70±0.03右晶体 0.79±0.02 0.71±0.01 0.08±0.02 0.73±0.04 0.70±0.03左腮腺 28.21±4.39 26.93±2.59 1.38±0.03 0.80±0.05 0.75±0.02右腮腺 29.86±3.77 27.29±3.17 1.38±0.03 0.81±0.03 0.76±0.03下颌骨 75.21±8.11 74.85±4.84 1.83±0.06 0.92±0.03 0.90±0.01左下颌关节 3.01±0.05 3.37±0.03 0.21±0.02 0.88±0.07 0.84±0.05右下颌关节 2.97±0.04 3.13±0.02 0.28±0.03 0.87±0.08 0.83±0.03内耳 0.93±0.04 1.12±0.02 0.16±0.01 0.93±0.04 0.91±0.02

4 讨论

本研究中对鼻咽癌自动分割与手工勾画的每个危及器官时间进行了统计和分析，自动分割较手工勾画脑干、脊髓、颞叶、喉、眼球、视神经、视交叉、晶体、腮腺、下颌骨、下颌关节和内耳的平均时间分别节省了 133.05 s（84.02%）、157.09 s（82.74%）、96.89 s（61.06%）、115.77 s（86.19%）、35.90 s（51.13%）、43.51 s（55.24%）、0.47 s（1.25%）、23.94 s（40.62%）、160.86 s（80.27%）、233.70 s（82.94%）、174.24 s（81.51%）和55.95 s（69.37%），可以看出，除视交叉自动分割和手工勾画时间相当外，其他各器官自动分割时间均大大降低，工作效率大幅提升。自动分割与手工勾画（金标准）的脑干、脊髓、颞叶、喉、腮腺、下颌骨、眼球、下颌关节和内耳等，有很高的DSC值和OR值，平均DSC值和OR值均在0.8以上，重合性很好；晶体和视神经这类小体积器官平均DSC值和OR值也在0.7以上，重合性较好，表明自动分割和手工勾画有很好的重合性和一致性。但视交叉DSC平均值只有0.58，OR值仅为0.48，重合性较差，说明自动分割和手工勾画之间存在差异，这要求医师在自动分割完毕后检查自动分割结果，对不足之处进行手工修改。

本研究基于3D U-net网络构建智能化勾画模型，应用于鼻咽癌危及器官的自动分割，在保证准确勾画的前提下，有效减少了勾画时间，提高了医师的工作效率。谷珊珊等[15]使用MIM软件模板数据库的病例数对危及器官自动勾画进行了探讨，发现眼球、内耳、脊髓、视神经等危及器官宜选用病例数多的模板数据库进行自动勾画，模板数据库中包含的病例数对脑干、颞颌关节、晶体、口腔、腮腺等危及器官或组织的自动勾画的DSC值无明显影响。MIM软件对于不同解剖结构的自动分割能力相差悬殊，结构体积越小，分割结果越差[16]。杜国波等[6]采用ABAS软件自动勾画技术对鼻咽癌进行勾画，发现当参考图像和目标图像为同一患者时DSC、交叉指数（overlap index，OI）值较高，绝大多数器官 DSC、OI值＞0.85，下颌骨、脊髓DSC值甚至高达0.95。ABAS自动勾画软件是基于形变配准的原理，使参考图像上的感兴趣器官轮廓与目标图像匹配从而完成自动勾画流程，对轮廓的依赖性较强，当模板为不同患者时，DSC和OI值较低，勾画效果较差，特别是对于较小器官。ABAS软件和MIM软件都是基于图谱的人工智能勾画，线条扭曲严重，棱角分明，运用于临床工作中仍需大量修改。本研究中基于3D U-net模型深度学习，对于不同患者、不同小体积器官自动勾画亦有很高的精度，左右晶体和左右视神经平均DSC值达到了 0.74±0.06、0.73±0.04 和 0.71±0.06、0.72±0.05，重合性和一致性很高，自动分割精度达到了手工勾画的要求，可以应用于临床工作中。

实现器官的自动分割在临床上意义显著，尤其是在放疗领域，可辅助或代替医师完成勾画，既显著减少了医师重复性工作，也为自适应放疗提供了临床应用基础[17]。本研究中患者数量较少，统计结果可能会有偏差。在今后的临床工作中，计划将更多的患者影像数据纳入数据库，以取得更好的勾画结果。

综上所述，基于3D U-net对鼻咽癌危及器官进行自动分割，节省了大量的时间，并且与手工勾画轮廓有很高的一致性，可以确保患者危及器官自动勾画精度，提高工作效率。