基于MIM软件模版数据库的病例数对危及器官自动勾画的探讨*

谷珊珊 田娟秀 王运来 宋明永 王金媛 王晓深 鞠忠建*

随着现代医学的进步，越来越多的肿瘤患者需要接受放射治疗[1-2]。然而，患者在治疗过程中由于体重减轻、肿瘤缩小、系统运动(如呼吸)和随机运动等各种原因，计划CT扫描中显示的解剖信息在治疗期间经常改变，影响放射治疗计划的靶区覆盖率和危及器官的保护效果[3]。自适应放射治疗(adaptive radiation therapy，ART)通过治疗前图像引导观察治疗过程中的解剖变化，并在患者肿瘤和危及器官的实际信息与定位信息发生明显偏差时调整治疗计划。ART需要在最近采集的图像上勾画靶区和危及器官以观察剂量变化，但临床医生运用CT图像勾画危及器官工作量大，采用MIM软件帮助医生进行危及器官的自动勾画，可减少医生的大量重复性工作[4]。由于模版数据库所需病例基数大，限于临床收治患者数量，各医院入库病例数无统一指导标准。

基于解放军总医院收治鼻咽癌患者数量多，原始病例资料积累多，可入库病例数多，本研究探讨采用MIM软件模板数据库中病例数对头部危及器官自动勾画的影响，指导临床选取最佳病例数构成自动勾画数据库。

1 资料与方法

1.1 一般资料

选取解放军总医院放射治疗科2015年6月至2016年8月收治的150例鼻咽癌患者，其中男性87例，女性63例；年龄12～89岁，中位年龄51岁。按照数表法随机将150例患者分为a、b、c、d共4组，a组(10例)，b组在a组基础上+40例(50例)，c组在b组基础上+50例(100例)，d组在c组基础上+50例(150例)。在MIM软件中分别建立a、b、c、d组患者的数据库，数据库包含CT图像和医生手动勾画的危及器官轮廓信息。另选取2016年9月后收治的10例非数据库患者的头部CT图像进行危及器官的自动勾画，与医生手动勾画结果作为金标准进行比较。采用头肩一体膜定位，使用西门子SOMATOM Definition AS CT扫描机扫描后图像传至医生工作站，图像格式为DICOM，层厚均为3 mm，医生手动勾画危及器官。

1.2 MIM软件

MIM Maestro拥有用户自定义Atlas库、自动Atlas对象选择以及VoxAlign算法，Contour CoPilot为CT和MR图像提供自动勾画解决方案。Atlas数据库使用基于交互信息的算法，选择一个与测试患者最佳匹配的病例，将该病例的勾画轮廓进行形变，形变的结果映射到测试患者CT上，形成自动勾画的轮廓[5]。与预先勾画整个器官或组织然后逐切面调整的方法相比，Contour CoPilot能学习勾画修改，为医生节省时间。MIM软件的自动勾画功能可以融入到编辑工作流中，在任意平面和任意模态均能实施自动勾画。

1.3 Atlas数据库的建立

将筛选的4组150例头部CT图像在MIM软件中建立a、b、c、d对应的4组数据库，数据库中包含CT图像和医生手动勾画的危及器官轮廓信息。将另选取的10例患者的头部CT图像，进行危及器官的Atlas自动勾画，包括脑干、脊髓、眼球、晶体、视神经、内耳、腮腺、颞颌关节、口腔等危及器官或组织。医生手动勾画10例头部CT图像的危及器官或组织作为金标准，将MIM软件自动勾画的结果与金标准进行比较。

1.4 评价标准

运用形状相似性系数(dice similarity coefficient，DICE)、豪斯多夫距离及Jaccard距离进行评估。

(1)DICE的计算为公式1：

式中VA表示自动勾画轮廓的体积，VB表示医生手动勾画轮廓的体积，DICE值越接近于1，表明两样本之间形状相似性越大。

(2)定义空间中的两个点集A={a1，a2，…}，B={b1，b2，…}，豪斯多夫距离用来衡量点集A、B间的距离，其计算为公式2：

(3)Jaccard距离用于描述集合之间的不相似度。Jaccard距离数值越大，样本相似度则越低，其计算为公式3：

2 结果

2.1 危及器官或组织的DICE值

四组数据库自动勾画的危及器官DICE值在0.5～0.9之间，眼球、内耳、口腔、腮腺等器官勾画结果DICE值均＞0.8。模板数据库包含病例数越多，眼球、内耳、脊髓、视神经等器官DICE值越高。Atlas自动勾画表明，眼球、内耳、口腔及腮腺的DICE值较其他危及器官或组织高，见表1。

2.2 危及器官或组织的豪斯多夫距离值

眼球、内耳、颞颌关节、晶体等危及器官或组织的豪斯多夫距离(标准差)均值＜0.2，模板数据库包含病例数越多，眼球、内耳、视神经等器官的豪斯多夫距离(标准差)值越小，见表2。

2.3 危及器官或组织的Jaccard距离值

模板数据库包含病例数越多，Jaccard距离值越小，其中内耳、颞颌关节、晶体、视神经均值＜0.4，Atlas自动勾画的样本相似度高于其他危及器官或组织，见表3。

表1 危及器官或组织的DICE值

表2 危及器官或组织的豪斯多夫距离值(cm)

表3 危及器官或组织的Jaccard距离值

MIM在模板数据库中寻找匹配的病例进行配准和轮廓映射，与医生手动勾画比较能较为准确的勾画危及器官的轮廓。眼球、视神经、内耳、颞颌关节、口腔、腮腺等器官勾画准确，晶体及脑干勾画相对较差，如图1所示。

图1 危及器官或组织勾画示图

3 讨论

危及器官或组织的自动勾画是目前放射治疗的研究热点，各种半自动和自动勾画算法提供了大部分危及器官自动勾画的方法[6-8]。放射治疗计划基于CT图像的电子密度信息进行剂量计算，脑干、内耳、口腔等危及器官或组织的图像解剖与周围器官或组织差异小，一直是头颈部危及器官自动勾画的难点[9-10]。基于Atlas分割的自动勾画方法采用大数据的深度学习，与CT图像配准结合，选取最优的勾画轮廓进行映射。

MIM软件在临床应用广泛，已成为临床图像处理不可或缺的一部分，选取合适的病例数构成模板非常重要[11-12]。MIM软件构建图像数据库操作简便，本研究历年收治的鼻咽癌病例数较多，临床积累的大批基础数据可筛选入库。研究证明，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DICE值无明显影响。但是，Atlas数据库中病例数越多，Jaccard距离值越小，Atlas自动勾画和医生手动勾画的轮廓相似度越高。晶体、脑干等器官还需要开发相应的算法进行自动勾画。

4 结语

目前开发的自动勾画软件较多，但距离轮廓精确勾画尚有差距，自动勾画轮廓后仍需临床工作者手动修改。基于大数据的深度学习是研究轮廓自动勾画算法的热点，取得了较好的勾画结果，节省了大量的重复性工作。在今后的研究中，应有更多的患者资料进入数据库，并根据患者的性别、年龄、体重、肿瘤位置、肿瘤体积等基本信息进行分组，以取得更好的形变结果。

[1]Chun SG，Hu C，Choy H，et al.Impact of Intensity-Modulated Radiation Therapy Technique for Locally Advanced Non-Small-Cell Lung Cancer：A Secondary Analysis of the NRG Oncology RTOG 0617 Randomized Clinical Trial[J].J Clin Oncol，2017，35(1)：56-62.

[2]Luo HC，Fu ZC，Cheng HH，et al.Prostate cancer treated with reduced-volume intensitymodulated radiation therapy：Report on the 5-year outcome of a prospective series[J].Medic ine(Baltimore)，2017，96(52)：e9450.

[3]Yang SN，Liao CY，Chen SW，et al.Clinical implications of the tumor volume reduction rate in head-and-neck cancer during definitive intensity-modulated radiotherapy for organ preservation[J].Int J Radiat Oncol Biol Phys，2011，79(4)：1096-1103.

[4]吴昕，刘磊，肖江洪，等.鼻咽癌靶区的自动勾画评价[J].四川医学，2015(6)：762-766.

[5]Amy VY，Angela W，Iddo W，et al.Atlas-based segmentation improves consistency and decreases time required for contouring postoperative endometrial cancer nodal volumes[J].Int J Radiation oncology biol Phys，2011，79(3)：943-947.

[6]张艺宝，吴昊，李莎，等.临床前验证与几何对比分析基于图谱库的危及器官自动勾画[J].中国医学物理学杂志，2015，32(6)：761-767.

[7]谷珊珊，张怀文，王运来，等.基于水平集稳健特征统计算法的脑肿瘤自动分割研究[J].中国医学物理学杂志，2016，33(1)：63-67.

[8]Moeskops P，Viergever MA，Mendrik AM，et al.Automatic Segmentation of MR Brain Images With a Convolutional Neural Network[J].IEEE Trans Med Imaging，2016，35(5)：1252-1261.

[9]Xu M，Foster R，Parks H，et al.SU-F-T-427：Utilization and Evaluation of Diagnostic CT Imaging with MAR Technique for Radiation Therapy Treatment Planning[J].Medical Physics，2016，43(6)：3561-3561.

[10]Hardcastle N，Tomé WA，Cannon DM，et al.A multi-institution evaluation of deformable image registration algorithms for automatic organ delineation in adaptive head and neck radiotherapy[J].Radiation Oncology，2012，7(1)：90.

[11]Ananthanarayanan S.Use of ultrabook and iPad mini for processing，display，storage and transmission of medical images using MIM software[J].J Med Phys，2014，39(1)：56-59.

[12]Stanford J，Duggar W，Morris B，et al.SU-EJ-80：A Comparative Analysis of MIM and Pinnacle Software for Adaptive Planning[J].Medical Physics，2015，42(6)：3282.