不同固定窗宽/窗位调节在医学图像自动分割中的应用研究

余行，何奕松，傅玉川

四川大学华西医院 放疗科，四川 成都 610041

引言

医学影像是实现现代精确放疗的基础条件之一。为了得到可接受的剂量分布，放疗医生通常在CT图像上直接或匹配MRI、PET-CT等影像联合勾画靶区及危及器官[1-2]，然后由物理师或剂量师基于CT图像设计治疗计划，其中的剂量计算基础是电子密度与CT值的转换关系[3-4]。CT值是与物质吸收系数相关的相对值，其HU数值通常为-1000～3000。若将空气的CT值设为-1000 HU，对于骨或者密度高于骨的组织或物体而言，其CT值可超过1000 HU。

常见的CT影像位深为12或16，对应的灰阶数可达4096或65536，而人眼可识别的灰阶数不超过900[5]。因此当使用CT影像进行临床诊断时，需要调整其显示模式，其中窗宽（Window Width，WW）/窗位（Window Level，WL）是CT图像显示的可调节属性之一，优化最佳WW/WL有助于疾病的诊断[6]。在勾画放疗相关的危及器官时，对应不同的身体部位或器官也有推荐的WW/WL，例如对肺进行勾画时使用肺窗（-1150～350 HU），对心脏进行勾画时使用纵隔窗（-160～240 HU）[7-8]。WW/WL的调节不仅提高了对比度，同时也可以排除无关组织及器官的影响。

由于CT图像的成像受多种因素如CT装置、管电压、对比剂或重建等因素的影响，无论是传统的医学图像处理算法，还是近年来兴起的基于深度学习的医学图像处理方法[9]，都需要将WW/WL调节作为重要的预处理步骤。WW/WL调节可分为固定WW/WL调节与非固定WW/WL调节。Huo等[10]研究表明使用固定WW/WL调节对腹部CT图像给予软组织窗（160～240 HU）的转换后能改善右肾及胃的分割结果。Lee等[11]研究表明通过自适应WW/WL转换能够提高颅内出血及结石的检出率。通常而言，对于来自相同CT设备、具有相同重建核数及扫描参数的数据集，固定WW/WL转换往往有较好且较稳定的分割结果；而非固定WW/WL转换常用于数据集来源不同或扫描条件不同等条件下的医学图像分割或医学目标检测，且可影响基于深度学习的图像自动分割结果或目标检测结果[10-12]。不同的非固定WW/WL转换在特定情况下能够改善图像分割的结果，但尚未有研究探讨常见的固定WW/WL对于自动分割结果的影响。

本文以肺癌放疗涉及的危及器官为例，利用公开数据集，通过对胸部影像CT进行固定WW/WL的调节处理，探究临床上常见的不同固定WW/WL对于肺癌放疗中基于深度学习的危及器官自动勾画结果的影响，同时验证图像预处理对于影像自动分割的作用。

1 材料与方法

1.1 影像资料

该研究中使用的数据集来源于2017年肺癌分割比赛的公开数据集[13]，危及器官包括心脏、食管、脊髓、左肺和右肺。公开数据集中共60例CT数据，分别来自3个不同的癌症中心，每个中心20例。所有的CT扫描均包括整个胸部，层数为103～279，CT重建矩阵为512×512，层厚为1.25～3.0 mm，像素大小为0.98～1.37 mm。

1.2 固定窗宽/窗位调节方法

WW/WL作为CT影像显示的可调节属性，能够帮助医生获得更为清晰的CT影像。根据不同的WW/WL值，CT影像被相应地转为灰度图像，灰度值为0～255，0为黑色，255为白色。本研究中，CT图像与灰度图像的转换方法如式(1)所示。

假设CT图像中一个像素的CT值为f(i)，g(i)为经过WW/WL调节后的像素值，其中m=WL-0.5WW，n=WL+0.5WW。WW/WL的调节方法如图1所示。

图1 WW/WL调节的示意图

1.3 分割网络及实施方法

为了评估不同固定WW/WL对于图像自动分割效果的影响，在训练前首先对图像进行WW/WL调节，选取了5种不同的WW/WL，其中4种为临床上常见的预设WW/WL[14]，包括软组织窗（-140～260 HU）、纵隔窗（-160～240 HU）、骨窗（-450～1050 HU）、肺窗（-1150～250 HU），另外一种为全WW/WL（Whole Intensity Range，WIR），其转换示意图如图2所示。本研究选取2D-Unet[15]作为深度学习的网络框架，同时随机选取数据集中的48例作为训练和验证集，余下12例作为测试集。在训练与测试时均对数据集进行相同的WW/WL调节处理。除了WW/WL调节外，其他处理操作都相同。同时，为了排除其他误差，本研究未使用数据扩增、迁移学习等其他提高分割效果的措施。该网络的训练在GeForce RTX 3090上进行，使用Pytorch 1.8.1和Python 3.8进行训练，训练损失函数为Dice损失函数，图像大小为512×512，epochs为60，batch size为8，学习率为0.0001。实验的总体方法如图3所示。

图2 同一层面不同的WW/WL调节示意图

图3 实验流程图

1.4 评估方法

1.4.1 Dice相似性系数

Dice相似性系数（Dice Similarity Coefficient，DSC）是医学图像分割中常用的指标，其计算公式如式(2)所示。

其中|A|代表医生勾画的分割区域，|B|代表自动分割区域，|A∩B|代表A和B的交集。DSC的数值介于0～1之间，其中1表示图像之间完全重叠，0表示完全没有重叠，数值越高代表分割效果越好。

1.4.2 Hausdorff距离

对于两个给定的集合A和B，最大Hausdorff距离（Hausdorff Distance，HD）定义如式(3)～(4)所示。

其中||a-b||是欧几里得距离，a和b分别是A和B边缘上的点，同时h(A,B)通常被称为直接HD。

95% HD与最大HD相似，但95%HD基于A和B中边界点之间距离的第95个百分位的计算，其目的在于消除极端点对于分割结果的影响。

1.5 统计学分析

2 结果

2.1 不同固定WW/WL调节对肺癌危及器官进行自动分割的DSC值

利用不同固定WW/WL调节对肺癌危及器官进行自动分割的结果如表1和图4～5所示。就心脏而言，其最佳分割DSC值为软组织窗（0.895±0.055），食管的分割DSC在纵隔窗表现最好（0.802±0.044）；左肺在肺窗DSC值（0.941±0.024）表现最好，右肺在骨窗DSC值（0.956±0.019）表现最好，脊髓在WIR下分割DSC值结果（0.908±0.025）最好。

表1 不同WW/WL调节下危及器官的分割结果

图4 不同WW/WL调节下的分割结果对比

图5 不同危及器官在不同WW/WL下的DSC值分割对比

就左、右肺及脊髓在不同WW/WL下的DSC分割结果而言，不同WW/WL调节对于其分割结果无显著影响（P=0.057、0.090、0.894），如表2～3所示。对于食管和心脏而言，不同WW/WL调节对于其分割结果有显著影响（P<0.001）。

2.2 不同固定WW/WL调节对肺癌危及器官进行自动分割的95%HD

脊髓在不同WW/WL调节下的分割结果无统计学差异（P=0.116）；左肺、右肺、食管及心脏在不同WW/WL下的分割结果均有统计学差异（P=0.005、0.001、<0.001、0.007），结果如表2、表4所示。

表2 不同WW/WL调节对危及器官勾画影响的P值

表3 不同WW/WL对食管和心脏勾画结果DSC的影响

表4 不同WW/WL对左右肺、食管和心脏勾画结果95%HD的影响

3 讨论

本研究首次利用了五种常见的固定WW/WL调节对肺癌的危及器官进行了自动勾画并就不同的固定WW/WL转换后的分割结果进行了对比，发现心脏的最佳分割DSC值出现在软组织窗，食管的最佳DSC值出现在纵隔窗，左肺最佳分割DSC值出现在肺窗，右肺最佳DSC值出现在骨窗，脊髓的最佳分割DSC值出现在WIR。

CT影像的WW/WL调节不仅常应用于临床诊断，也应用于放疗的靶区及危及器官勾画。在RTOG-116号报告中，推荐在肺窗条件下勾画危及器官肺，在纵隔窗条件下勾画心脏。近年来，深度学习被广泛应用于放疗靶区及危及器官的自动勾画，而固定WW/WL调节也成为网络训练前对图像进行预处理的重要步骤，因此，有必要探讨临床上常见的固定WW/WL调节对放疗危及器官自动勾画的影响。本研究表明，对于脊髓而言，不同的WW/WL调节无论对DSC还是95%HD，均无明显影响。但对肺而言，WW/WL的调整有利于降低勾画偏离较大的现象。对于食管和心脏而言，不同的WW/WL对其勾画结果影响较大，但其最佳WW/WL调节与临床上推荐使用的WW/WL调节基本一致。

对于肺癌危及器官中的大部分器官如左右肺、食管及心脏而言，利用WW/WL调节对图像进行预处理大多能得到优于不进行预处理的结果。而作为医学图像处理任务中预处理的重要步骤或影像诊断中的重要步骤，除了常规对WW/WL进行固定调节外，有不少的研究也就非固定WW/WL进行了研究。Sundaran等[16]利用深度学习的方法消除MRI背景中的无关像素从而寻找一个最佳的WW/WL。Hoogi等[12]利用自适应局部窗口对CT和MRI上的肝脏病变进行了分割并取得了较好的分割结果。由于不同扫描机器、不同医疗机构扫描程序、不同个体之间的差异，最佳WW/WL并不固定，因此非固定WW/WL调节的应用能够提高分割结果的泛化性。但是这并不意味着非固定WW/WL调节是优于固定WW/WL调节的，Huo等的研究结果表明对于来自相同CT设备、具有相同重建核数及扫描参数的数据集而言，固定WW/WL调节反而具有较好的分割结果[10]。如何将固定WW/WL调节和适应性调节结合起来得到最优化的图像处理结果，仍是今后需要进一步探讨的课题。

由于本研究的目的是探究不同固定WW/WL调节对于危及器官自动分割结果的影响，而不是追求最佳分割结果，因此只选择了最简单的2D-Unet网络作为自动分割工具。另外，本文只就肺癌的危及器官分割进行了研究，并未涉及头颈、腹部及盆腔的危及器官，未来还需要就其他部位的危及器官进行深入研究。

4 结论

不同固定WW/WL调节对不同危及器官的影响不同，在进行自动分割时应选取合适的WW/WL值，可大致参考临床推荐WW/WL值。