基于MRI图像的自动勾画技术在宫颈癌放疗中的应用研究

姚凯宁，刘嘉城，王美娇，王清莹，吴 昊，蒋 璠，杜 乙，岳海振

（北京大学肿瘤医院，北京市肿瘤防治研究所，恶性肿瘤发病机制及转化研究教育部重点实验室，北京 100142）

0 引言

放疗在恶性肿瘤的治疗中发挥着重要作用，危及器官（organ at risk，OAR）界定是保证放疗精度和效率的关键环节[1-2]。宫颈癌具有靶区较长、OAR较多的特点，通常需要花费临床医生30 min左右的时间完成勾画工作，且不同级别的医生之间勾画质量参差不齐[3]。为了提高勾画效率和质量，自动勾画工具逐渐出现。Pekar等[4]首先提出了基于CT图像的盆部器官（膀胱、股骨头和直肠）的自动勾画方法。自动勾画作为人工勾画的辅助，在一定程度上减轻了相关范畴的临床压力，提高了勾画效率并实现了同质化放疗[5]。近几年，人工智能在自动勾画方面有较多的研究，已有研究表明，通过深度学习的方法自动勾画CT图像的靶区和感兴趣区已取得令人满意的结果[6-7]。

由于盆腔软组织结构较多，基于CT图像的自动勾画方法会在一定程度上丢失部分边界信息，而MRI可有效提高边界信息的辨识度[8]。基于MRI图像勾画OAR可在很大程度上降低正常组织的受照剂量[9-10]，因此，临床实践中常采用CT和MRI图像融合的方式完成靶区和OAR的勾画工作。目前，大部分自动勾画工具仅支持CT图像，基于MRI图像的研究较少，仅Betrouni等[11]提出的种子区域生长算法实现了MRI图像上部分OAR的自动勾画。现有模型训练方法均需要大量数据进行训练，对于单一病种较少的放疗中心不太适用，限制了自动勾画技术的推广应用。Manteia公司的2款软件——小样本模型训练软件（AccuLearning）和自动勾画软件（AccuContour）支持CT和MRI 2种模态图像进行建模和自动勾画。AccuLearning通过将复杂的模型训练组件（如平衡的窗口采样策略、基于梯度的神经网络算子加权以及轮廓曲率约束等）集成到自动化的流程中，简化了模型构建的工作流程，并可提供易于使用的图形界面与最终用户交互。AccuContour是一种结合深度学习和传统算法模型来实现自动勾画的工作站，通过收集及标注数据和使用定制化训练的模型、预测模型产生结果。

本研究利用AccuLearning和AccuContour 2款软件在小样本宫颈癌病例的MRI图像上进行模型训练和自动勾画的可行性及准确性研究，为相关领域的研究提供方法和数据支持。

1 资料与方法

1.1 模型训练和自动勾画软件

本研究采用的模型训练软件为AccuLearning，具有小样本训练（30例即可）、无代码操作、精度和兼容性较好等特点。AccuLearning也提供了许多工具来帮助数据准备和模型训练，包括感兴趣区相似度命名排序、标签质量评估、3D差异对比等。

自动勾画利用AccuContour 3.0智能放疗图像工作站进行。AccuContour工作站具有自动勾画（CT/MRI图像）快速精准、多模态图像配准融合、剂量叠加、自动评估勾画质量以及影像组学分析等功能，可为放疗多模态影像管理和临床决策提供多项支持方案。

1.2 病例选择及OAR勾画

1.2.1 病例选择

回顾性选取2019—2020年北京大学肿瘤医院放疗科的宫颈癌放疗患者。纳入标准：（1）依据国际妇产科联盟的临床分期标准，临床分期为Ⅰ～Ⅳ期；（2）具备MRI定位图像。排除标准：（1）结直肠内容物过多（如气体、食物残渣）；（2）特殊病例（如转移性宫颈癌）。符合入组标准的共40例，年龄分布为18～70岁，中位年龄49岁。

所有患者均采用西门子公司的3.0T MRI扫描T2WI图像，层厚为4 mm。为保证勾画的一致性，所有病例的OAR（包括膀胱、双侧股骨头、直肠和乙状结肠）均由同一高年资医师在瓦里安治疗计划系统Eclipse（V15.5）中完成勾画，作为模型训练的病例数据和自动勾画结果的参考。

1.2.2 OAR勾画规则

膀胱结构包括全部内容物；股骨头结构范围上端至髋臼关节，下端包含股骨颈；直肠结构上端为第三骶骨平面与乙状结肠交界处，下端到肛管交界处（即直肠线）；乙状结肠上端为左髂嵴平面与降结肠相连，下端至第三骶椎平面与直肠相接。医师按照上述范围在MRI图像上勾画OAR。

1.3 自动勾画的模型训练与应用

随机选取30例患者的MRI图像在AccuLearning中进行自动勾画模型训练，系统按照8∶1∶1的比例随机选择数据作为训练数据、验证数据和测试数据，对应病例数分别为24、3、3。训练结构包括膀胱、双侧股骨头、直肠和乙状结肠，训练参数为软件推荐模式，具体如下：

（1）模型结构（Mode）：unet_2d。

总体来说，在水利工程的施工建设过程中，导致出现堤坝渗漏问题的直接因素与间接因素很多，虽然长期以来这些问题一直存在，但却需要我们慎重对待，不仅要对防渗漏问题予以高度的重视，而且还应加大力度改进加固技术。在施工过程中，还要注重结合工程具体情况，使其既能制定出具有针对性的解决方案，同时还能确保方案的有效落实与执行，务必在保证施工质量得以全面优化控制下，使水利工程堤坝防渗加固工作得以切实有效地开展。

（2）批量大小（batch_size）：16，为一次迭代中使用的样本数，batch_size越大，表示当前批次的数据分布越接近总体的数据集分布，模型会朝着一个较为稳定的方向拟合。

（3）窗口采样方式（Sampling）：label_balanced，根据训练目标感兴趣区的体积来决定采样频率，即先随机选取特定轮廓内的任意一点x′，根据像素间的欧氏距离生成归一化的高斯分布的概率图，即

式中，xk，j为像素点的坐标；Ω⊂R2，表示当前的图像域；σ为方差（默认为1）；‖*‖表示二范数；f（xk，j）表示该像素点在此次采样中被选中的概率。根据概率图进行采样并得到点坐标作为采样窗口中心点，再进行窗口采样，这样可以提升正样本的采样频率，同时保留一定的负样本。

（4）学习率（LearningRate）：0.000 3，经验性数值，取值范围是0.000 1～0.000 3，过大会导致模型强烈振荡，无法收敛到局部极值；过小会导致模型无法在规定时间内收敛。

（5）损失函数（LossFunction）：平均相似性系数（Dice），适合绝大部分数据集。

（6）训练轮次（MaxmumEpochs）：150，经验性数值。

将训练好的勾画模型和其余10例患者的MRI图像导入AccuContour并完成OAR自动勾画。以手动勾画为参考，统计评估指标，分析模型训练软件和自动勾画软件的应用价值。

1.4 评估指标

式中，A为手动勾画的结构；B为利用模型自动勾画的结构；A∩B为2个结构的交集；A∪B为2个结构的并集。Dice值的范围为0～1，越接近1表明2个结构的相似性越高。

OI值代表2个结构的交叉程度[13]，计算公式如下：

OI值的范围为0～1，OI值越大表示2个结构的交叉区域越多。

1.5 统计学方法

采用SPSS 25.0软件对参数进行分析。若结果符合正态分布，采用配对样本t检验，反之则采用非参数检验（Wilcoxcon检验）。P＜0.05为差异有统计学意义。

2 结果

2.1 模型训练结果

按建模时的病例分配规则，30例数据中有3例是测试病例，训练模型的综合Dice值为0.80，各测试病例的Dice值分别为0.87、0.78和0.75，均大于0.70，因此认为训练结果较好，可用于下一步的自动勾画。

2.2 自动勾画验证结果

利用训练好的模型勾画宫颈癌患者MRI图像的OAR，与手动勾画的结果进行比较并计算Dice值，结果如图1所示。从图1可以看出，10例患者的膀胱（Dice值为0.91±0.07）和双侧股骨头（左侧Dice值为0.94±0.02，右侧Dice值为0.91±0.04）的自动勾画效果较好；直肠的Dice值为0.80±0.07，勾画结果基本满足临床要求；乙状结肠的自动勾画效果较差（Dice值为0.47±0.14），可能与乙状结肠位置变化较大有关。

图1 10例患者自动勾画与手勾画OAR的Dice值

自动与手动勾画膀胱、左侧股骨头、右侧股骨头、直肠、乙状结肠的OI值分别为0.96±0.03、0.99±0.01、0.99±0.01、0.97±0.03、0.93±0.05，数据分布如图2所示。各OAR的OI均值大于0.90，说明自动与手动勾画结构的交叠部分较多。仅乙状结肠的OI值波动较大，原因与Dice值情况相似。

图2 10例患者自动勾画与手动勾画OAR的OI值

自动勾画与手动勾画OAR的绝对体积差异见表1。膀胱和乙状结肠的自动勾画绝对体积大于手动勾画，双侧股骨头和直肠的自动勾画绝对体积小于手动勾画。除右侧股骨头的自动勾画与手动勾画绝对体积差异有统计学意义外，其他OAR差异均无统计学意义，表明自动勾画与手动勾画OAR的绝对体积基本一致，差异较小。

表1 自动勾画与手动勾画OAR的绝对体积差异

3 讨论

目前研究中，盆腔结构的自动勾画大多基于CT图像，但是CT图像只对高密度组织显像清楚（如骨、软骨），在肿瘤和正常软组织的边界方面辨识能力较差，而MRI图像良好的对比度对于盆腔肿瘤OAR的勾画具有较大价值[14-15]。

本研究对Manteia公司的模型训练软件和自动勾画软件进行了临床测试。30例MRI图像（含OAR）的模型训练结果显示，模型的综合Dice值较高，均大于文献[16]中的指标（0.70），基本满足临床要求。值得注意的是，乙状结肠的平均Dice值只有0.65，可能的原因有2个：一是肠道充盈和蠕动导致肠道位置变化较大；二是子宫或附件在手术切除后导致组织结构改变，肠道的活动范围增大。

将除建模外的10例宫颈癌患者的MRI图像作为测试病例，均在1 min内完成勾画，与手动勾画相比，10个病例OAR的平均OI值均大于0.90，满足临床要求，仅乙状结肠的波动相对其他结构较大。其中膀胱和双侧股骨头的平均Dice值都大于0.90，直肠为0.80，表明自动勾画效果较好，与之前的研究结果基本一致[4，17]。乙状结肠的勾画结果稍差，可能原因是模型训练的结果不理想以及个体差异较大，与陈开强等[18]和崔志强[19]的研究一致，临床上需要根据个体差异进行手动修改。

本文对自动勾画和手动勾画OAR的绝对体积差异进行了对比分析，结果显示双侧股骨头和直肠的绝对体积差异较小，更接近手动勾画绝对体积，这与股骨头位置稳定以及MRI扫描前排空大便有关。乙状结肠绝对体积差异的均值为10.30 mm3，出现该现象的原因与模型训练效果不理想的原因一致。膀胱的绝对体积差异均值为13.07 cm3，可能与建模时不同患者的膀胱容量存在差异有关[20]。

本研究中的OAR仅包括膀胱、双侧股骨头、直肠以及乙状结肠，有些靶区长度较长，OAR还涉及双肾，临床采用自动勾画时还需要加入新患者用于建模或者重新建模。还需要解决由于MRI和CT的配准导致的图像旋转问题，以保证OAR能准确地复制到CT图像上，这也是下一步的研究内容。

本研究首先基于AccuLearning进行小样本勾画模型的训练，模型的综合Dice值和测试病例的平均Dice值均大于0.70，表明小样本模型训练合格。将训练模型导入AccuContour中并进行自动勾画，相对于手动勾画，自动勾画可以在1 min内完成，膀胱、双侧股骨头和直肠的勾画效果好，绝对体积差异较小；乙状结肠稍差，需要临床手动修改。上述结果表明，基于AccuLearning的小样本训练模型训练效果较好，基于小样本训练模型采用AccuContour进行自动勾画宫颈癌OAR具有可行性，可以提高宫颈癌OAR勾画的质量和效率。