基于U-Net 的直肠癌肿瘤靶区和危及器官的自动分割模型

戴薇，李华玲，王沛沛，唐媛媛，孙新臣，李金凯（通信作者）

1 南京医科大学第一附属医院放疗科 （江苏南京 210009）；2 南京医科大学特种医学系（江苏南京 210009）

据统计，2015年我国结直肠癌发病率在所有恶性肿瘤中位于第三位，病死率位于第五位[1]。目前，放射治疗是治疗直肠癌患者的重要手段之一，对于可手术切除的Ⅱ、Ⅲ期直肠癌，可以通过术前放射治疗来降低其局部复发的概率；术前同步放、化疗是局部晚期不可切除直肠癌的首选治疗方案[2]。放射治疗的目标是在提高肿瘤靶区（gross target volume，GTV）剂量的同时尽量降低周围正常组织的受照剂量。因此，GTV 和危及器官（organs at risk，OARs）的准确勾画是精准放射治疗量的重要保证。GTV 和OARs 通常由放射治疗医师根据定位CT 图像进行手动勾画，勾画过程耗时费力，且勾画结果依赖于医师所掌握的肿瘤学及解剖学相关知识，因而主观性较强，一致性较差。近年来，有多种自动分割方法应用于GTV 和OARs 的勾画中，其中包括基于图谱库的自动分割方法[3-4]和基于神经网络的自动分割方法[5-7]。

基于图谱的自动分割方法是在建立参考图谱库后，通过形变配准对目标图像进行勾画，其缺点是建立图谱库耗时较长，且难以处理个体之间的解剖学差异[8]。目前，临床应用最多的是基于U-Net 的自动分割方法，该方法属于卷积神经网络的一种，其可对较少的数据进行训练，具备准确性较高且分割速度快的优点[9]。本研究拟通过利用基于U-Net 的自动分割模型对直肠癌GTV 和OARs 进行勾画，并评估该模型的勾画准确性及临床可行性，现报道如下。

1 资料与方法

1.1 一般资料

回顾性分析2018年1月至2020年10月于医院接受术前放射治疗的70例直肠癌患者的临床资料，随机分组，其中52例作为训练集，6例作为验证集，12例作为测试集。所有患者在CT 扫描前1 h 排空大、小便，饮800 ml 水后等待40 min 进行扫描；使用西门子Siemens Sensation Open CT 模拟定位系统进行图像采集，患者体位包括仰卧位和俯卧位，体位固定方式为热塑膜；扫描层厚及层间距均为5 mm，CT 图像重建采用的矩阵大小为512×512；采集的CT 图像通过DICOM 传至医师工作站，由同一位放射治疗医师参考磁共振图像在CT 图像上勾画GTV 和OARs（包括左侧股骨头、右侧股骨头、膀胱），并由高年资医师进行二次确认。

1.2 模型训练

1.2.1 数据预处理

在建立模型之前对图像进行预处理：将所有的数据重新取样到（1.0，1.0，None）的体素，然后每次从单层数据中截取（320，320）大小的图像进入训练。

1.2.2 网络模型结构

本研究使用的网络模型为基于U-Net 的自动分割模型，该模型包含一个搜索路径及一个扩展路径。搜索路径是一个重复的结构，每次重复包含两个卷积层和一个池化层，卷积层的卷积核大小均为3×3，基础卷积核通道数为32，每个卷积层的后面都有批量标准化（batch normalization，BN）和线性整流函数ReLU 作为激活函数，两个卷积层后是一个2×2 Max pooling 层，用于降采样，每次降采样后特征通道数增倍；扩展路径也是一个重复的结构，首先包含一个 2×2 反卷积，用于上采样，每次上采样后特征通道数量减半，上采样后将结果与收缩路径中对应步骤的特征图进行拼接，拼接后的图像连接着两个3×3卷积层，卷积层后均有BN 和ReLU 激活函数，最后是一个1×1的卷积，其可将所有元素的特征向量映射至一个类标签。

1.2.3 训练流程

预处理后，从训练集中提取GTV 和OARs 结构图像并制作成标签图像；然后对原始图像进行增强及标准化后输入神经网络结构，见图1；最后采用Dice 损失函数对网络的预测结果和标签图像进行损失计算并反向传播，训练流程见图2。模型建立后，将验证集用于测试及评估模型的稳定性。本研究在MANTEIA 公司的Acculearning 软件中进行模型搭建。

图1 网络模型结构

图2 训练流程

1.3 评价参数

采用戴斯相似系数（Dice similarity coefficient，DSC）及豪斯多夫距离（Hausdorff distance，HD）评估勾画结果的准确性。

DSC 用于评价自动勾画与手动勾画之间轮廓的重叠性[10]，其计算公式为：

式中，VA代表自动勾画的体积，VM代表手动勾画的体积。DSC 值的大小为0～1，且越接近1表示相似度越高，即自动勾画的准确性越高。

HD 用于描述两组点集之间的相似程度，是两个点集之间距离的一种定义形式，若假设自动勾画集合A={a1，a2，…，ai}，手动勾画的集合M={m1，m2，…，mj}，则其公式可表示为：

H（A，M）=MAX[h（A，M），h（M，A）]

HD 值越小，表示自动勾画集合和手动勾画集合的交集越大，自动勾画的准确性越高。

1.4 模型的测试

将测试集的CT 图像输入训练好的自动分割模型中进行GTV 和OARs 的勾画，待勾画完成后将数据导入MIM Maestro 软件，在MIM Maestro 软件上计算两种方法的GTV 和OARs 的DSC 值、HD 值。

2 结果

表1为GTV 和OARs 的勾画准确性评估参数。图3为自动勾画与手动勾画的比较图，其中图3A 为GTV 勾画的比较图，图3B 为OARs 勾画的比较图。由表1和图3可知，自动分割模型在OARs 的勾画中具有较高的准确性，而在GTV 的识别上还有所欠缺，仍需要进一步提高。

图3 自动勾画与手动勾画的比较图

表1 勾画准确性评估参数

3 讨论

近年来，人工智能在各行各业得到了广泛的应用，其在肿瘤放射治疗中也扮演着重要的辅助角色，不仅可减轻放射治疗工作者的工作负担，并且可有效提高工作效率[11]。人工智能在放射治疗中应用较多的是GTV 和OARs 的自动勾画[12-16]、自动计划设计[17]等。目前，已有关于盆腔肿瘤GTV 和OARs 的自动勾画的研究。秦楠楠等[7]利用基于U-Net 的自动分割模型研究关于宫颈癌临床靶区（clinical target volume，CTV）和OARs 的自动分割，结果表明CTV 的平均DSC 值为（0.86±0.040），平均HD 值为（13.9±5.7）mm，膀胱及股骨头的DSC 值均>0.9，HD 值均不超过8.3 mm。Men 等[18]利用扩展卷积神经网络训练用于直肠癌CTV 和OARs 自动分割的模型，其中CTV 的平均DSC 值为0.877，膀胱的平均DSC 值为0.934，左侧股骨头的平均DSC 值为0.921，右侧股骨头的平均DSC 值为0.923。Song 等[19]研究对比了DeepLabv3+及ResUNet 两个模型对于直肠癌CTV 和OARs 的自动勾画效果，结果表明，在CTV 的勾画中，DeepLabv3+的勾画效果优于ResUNet（DSC值分别为0.88、0.87）；在股骨头的分割中，ResUNet 的分割效果优于DeepLabv3+（DSC 值分别为0.93、0.90）。而本研究所训练的自动分割模型在OARs 分割中的准确性均不低于上述模型。

直肠癌病灶多为软组织结构，形态通常具有多样性及不确定性的特点，而CT 图像对软组织的分辨力较差，因此使用CT 图像对直肠癌的GTV 进行训练会影响最终的勾画效果；而使用磁共振图像作为训练对象则可提高勾画的准确性。目前，已有关于使用直肠癌磁共振图像来训练自动分割模型的相关研究[20-21]。Wang 等[21]使用磁共振T2加权图像对自动分割模型进行训练，其平均DSC 值为（0.74±0.14），平均HD 值为（20.44 ±13.35）mm，其分割准确性优于本研究。本研究的不足之处在于，所训练的自动分割模型对GTV 的始末层面识别准确性较差及训练的患者数较少，在后续的工作中将增加训练患者数并不断调整训练参数来提高GTV 勾画的准确性。

综上所述，本研究所训练的基于U-Net 的自动分割模型在直肠癌OARs 的勾画中具有较高的准确性，但在GTV勾画中的准确性还有待提高，可将该模型用于辅助临床工作，以提高放射治疗医师的工作效率。

致谢 MANTEIA 公司谢璐及张炜工程师给予的技术支持。