【作 者】何奕松，余行，张盛元，罗勇，傅玉川

1 四川大学华西医院 放疗科，成都市，610041

2 四川大学核科学技术研究所，辐射物理与技术教育部重点实验室，成都市，610064

0 引言

恶性肿瘤的精确放射治疗，要求肿瘤医师准确地勾画靶区（target volumes,TVs）和危及器官（organ at risks,OARs），通过最优化的计划设计来获得治疗所要求的剂量分布目标[1-2]。虽然已有许多勾画指南和专家共识发表，但在临床实践中仍普遍存在观察者间误差（inter-observer variability,IOV），且手动勾画（manual segmentation,MS）会耗费肿瘤医师大量时间[3-4]。随着医学影像自动分割技术的发展，将基于图谱（atlas-based,AB）或基于深度学习（deep-learning-based,DL）的自动勾画（automatic segmentation,AS）应用于放疗领域逐渐成为可能[5-7]。许多研究已经证实AS能在保证较高精度的同时降低IOV和时间消耗[8-9]。

为了表征AS对感兴趣区域（region of interest，ROI）的勾画精度，通常的做法是比较其与对应MS之间的相似度。其中Dice相似性系数（Dice similarity coefficient,DSC）是比较的主要参数之一，计算AS和MS面积或体积上的重合度，其值越接近1，说明越相似[10]。由于DSC的整体性计算特点，它无法准确地捕捉轮廓之间的局部偏移，这种偏移可表现为局部欠缺勾画（under-delineation,UD）或局部过度勾画（over-delineation,OD）。有时，UD或OD会因为体积占比小而在计算DSC时被忽略，而这在实际的临床判断中却是不能被忽视的[11]。

为降低UD、OD带来的不确定性，研究者们在评估时增加豪斯多夫距离（Hausdorff distance,HD）来进行辅助判断[12]。HD是基于距离的相似性参数，越接近0，说明越相似。HD能在一定程度上辅助DSC描述由UD、OD带来的最大偏移，但由于它的高度敏感性，占比小而偏移大的UD或OD会使HD陡然增大，从而混淆实际判断。……