基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

王联辉，姚伟荣，骆柘璜，曾庆云，刘玲秀，邓旋，张颖，王宗火

1.江西省人民医院医疗器械处，江西 南昌 330006；2.江西省人民医院肿瘤科，江西 南昌 330006；3.江西省人民医院核医学科，江西 南昌 330006；4.江西省人民医院影像中心，江西 南昌 330006

前言

鼻咽癌是我国最常见的头颈部癌症，具有较高的转移潜力［1-5］。放射治疗是治疗鼻咽癌最有效的方法，其中靶区勾画是最基本的步骤，直接影响靶区及危及器官的剂量学分布，从而影响后续放射治疗计划的实施［6-10］。靶区勾画多数是在增强CT 图像上进行的，而往往增强CT 图像只包含了肿瘤区域的解剖结构信息，不能反映肿瘤的生物学效应，从而出现靶区过大或漏靶的情况。PET-CT双模态融合图像凭借其高灵敏度和具有良好反映生物靶区的优势有效地解决了这个问题［11］。但由于鼻咽癌患者数量众多、数据量大，基于PET-CT 融合图像的手动勾画靶区变得费时费力，因此急需自动可靠的靶区分割方法满足临床需求。目前常用的自动靶区分割方法是通过设置单一标准摄取值（SUV）阈值实现靶区自动勾画或者利用卷积神经网络快速识别和分割肿瘤靶区［12-13］。本研究对比基于增强CT 的手动勾画与基于PET-CT的两种自动勾画方法在鼻咽癌靶区勾画中的优劣性，并探讨PET-CT 融合图像在靶区勾画中的应用价值。

1 资料与方法

1.1 研究对象

回顾性地收集2010～2019年在江西省人民医院确诊并进行过PET-CT 检查的34例鼻咽癌患者，其中男性20例，女性14例，年龄28～82岁。

1.2 PET-CT数据采集

对于每个患者，检查前要求空腹（空腹血糖在0.01 mol/L以下），然后静脉注射放射性药物18F-FDG，约0.002 L，注射剂量为4.44 MBq/kg（注射剂量根据患者体质量进行计算），注射后约60 min 行PET-CT扫描检查。扫描过程中固定同一体位，采集其平扫CT 图像和同一体位下的PET 图像，使用读片系统对图像进行后处理。放射性药物18F-FDG 由江西省人民医院PET-CT中心生产，PET-CT机型为美国通用电气公司GE的Discovery STE，读片系统为GE AW4.6。

1.3 方法

对34 例鼻咽癌患者在PET-CT 双模态融合图像进行肿瘤区域的分割试验，整个试验的靶区勾画和算法自动分割均在MIM 软件上进行。对于每一例鼻咽癌PET-CT 数据，均设计鼻咽癌肿瘤靶区手动勾画和自动勾画两组试验表现双模态PET-CT 图像在放疗靶区勾画中的应用价值。

1.3.1 鼻咽癌肿瘤靶区的手动勾画试验CT 部分（基于增强CT图像靶区的手动勾画）：由5名具有资深经验的肿瘤科医生根据CSCO 指南分别对每一例鼻咽癌患者在对应的增强CT 图像上手动进行肿瘤靶区勾画，在对每个肿瘤靶区进行勾画过程中，尽量避免其它因素的影响。最后经讨论得到一个广泛认可的肿瘤靶区边界，以此作为在原始CT 图像上得到的肿瘤手动分割结果。PET-CT部分（基于PET-CT双模态融合图像靶区的手动勾画）：对PET 数据和原始CT图像进行配准，得到PET-CT 融合图像。然后由上述步骤的5名医师在PET-CT 融合图像上进行肿瘤靶区勾画，并以他们达成共识的肿瘤边界作为在PET-CT融合图像上得到的肿瘤手动分割结果。本文中将该结果作为分割肿瘤靶区的金标准。

1.3.2 鼻咽癌肿瘤靶区的算法自动勾画试验SUV部分（基于单一SUV 阈值的靶区自动勾画）：应用SUV阈值2.5 对PET-CT 融合图像上的肿瘤区域进行分割，得到肿瘤区域基于绝对SUV 阈值自动分割的结果。PET-EDGE 部分（基于PET-EDGE 算法的靶区自动勾画）：应用MIM 软件自带的PET-EDGE 算法对每一例鼻咽癌患者PET-CT 融合图像的肿瘤区域进行自动勾画，得到肿瘤区域基于相对活度自动分割的结果。

1.4 鼻咽癌靶区勾画试验流程图

在这5 名经验丰富的医师对每个肿瘤靶区手动进行勾画和运用单一SUV 阈值以及PET-EDGE 算法自动分割的过程中，他们被要求在使用每种方法之间等待24 h，以避免前一勾画过程对后续勾画的影响。整个鼻咽癌靶区分割试验的流程如图1所示。

图1 鼻咽癌靶区分割试验的流程图Figure 1 Flowchart of segmentation experiment for nasopharyngeal carcinoma

1.5 评价指标

采用在图像分割领域广泛使用的两个评价指标：重叠率Dice和豪斯多夫距离HD［14-16］，以此分析本文中CT、PET-CT、SUV和PET-EDGE 4个部分的肿瘤靶区分割结果。其中Dice反映实际分割结果与金标准的重叠范围，HD反映两者间空间分布的相似性。

1.6 统计学分析

所有数据都是在Intel(R)Celeron(R) 1.50 GHz CPU 1007U、8.0 GB RAM 的PC 机上，使用Matlab R2017b 平台进行统计分析。经统计分析，所得数据均符合正态分布。Dice 和HD 值以均数±标准差表示，采用t检验比较组间Dice和HD，P＜0.05为差异有统计学意义。

2 结果

2.1 增强CT 图像和双模态PET-CT 融合图像靶区手动勾画结果的定性比较

如图2所示，图2a 为医生在增强CT 图像上勾画的靶区（绿色曲线），图2b为医生在双模态PET-CT图像上勾画的结果（红色曲线），图2c 为二者的重叠显示。每一行代表不同层面的鼻咽癌数据，背景图片均为原始CT 图像。从图2可以看出，医生在PET-CT融合图像上勾画的范围与在增强CT 图像上勾画的范围存在重叠部分，但是无论在大小和形态上，二者仍然存在较大差异，如第1行所示，在增强CT图像上勾画的靶区形状相对较规则，而在双模态PET-CT 图像上勾画的靶区则是凹凸不均。

图2 增强CT图像和双模态PET-CT图像靶区手动勾画结果比较Figure 2 Comparison of manual segmentations in enhanced CT image versus PET-CT image

2.2 单一SUV 阈值和PET-EDGE 自动勾画结果的定性比较

图3显示SUV部分和PET-EDGE部分的鼻咽癌肿瘤靶区分割结果。图3a为医生在PET-CT双模态融合图像手动勾画肿瘤区域的金标准（绿色曲线）；图3b、图3c分别对应单一SUV阈值分割法（紫色曲线）和MIM公司的PET-EDGE算法（红色曲线）的分割结果；图3d为三者分割结果的重叠显示。从图3可以看出，应用PETEDGE算法得到的分割结果最接近医生勾画的金标准，但依然存在部分未重叠区域，且分割的区域边界不光滑。单一SUV阈值分割法的分割结果与金标准相差较大，出现了多分和错分等情况。

图3 金标准和基于PET-CT双模态融合图像的不同靶区分割方法勾画结果的对比图Figure 3 Comparison of the ground truth and segmentation results obtained by different methods in PET-CT image

2.3 增强CT 图像的手动勾画和单一SUV 阈值以及PET-EDGE自动勾画三者结果的定量比较

基于增强CT 图像的手动勾画法、基于PET-CT图像的单一SUV 阈值以及PET-EDGE 自动勾画法，三者靶区分割结果的Dice 值分别为0.706、0.736、0.806，HD 值分别为12.601、11.631、6.143 mm。说明基于增强CT 图像的靶区手动勾画结果存在较大差异，且分割精度较低；基于PET-CT 双模态图像的PET-EDGE 算法具有较好的靶区自动勾画性能。此外，为证明3部分结果的有效性，采用t检验对组间结果进行分析。PET-CT 部分靶区手动勾画的Dice 和HD 高于CT 部分，差异具有统计学意义（Dice：P=8.33×10-7；HD：P=1.065×10-18）；PET-EDGE 靶区自动勾画算法的Dice 和HD 值高于单一SUV 阈值法，差异具有统计学意义（Dice：P=0.019 8；HD：P=0.013 7）；同时观察到单一SUV 阈值自动勾画与基于增强CT的手动勾画Dice 均值存在显著性差异（Dice：P=0.040 7），但是HD均值无显著性差异（HD：P=0.759）。

3 讨论

精确勾画靶区是确保放射治疗有效性的关键因素［17］。PET-CT 双模态融合图像中提供的SUV 及其空间分布信息能够同时反映肿瘤区域组织解剖结构和生物学效应，使医生勾画靶区更精确［18-20］。本研究结果显示增强CT 图像与PET-CT 双模态图像勾画的靶区差异具有统计学意义（P＜0.05），提示参照不同模态的图像对勾画的结果影响较大。基于PET-CT 双模态融合图像的鼻咽癌靶区自动勾画算法为医生提供了极大的便利。本研究中对比了两种基于PET-CT双模态融合图像的鼻咽癌靶区自动勾画算法，结果显示单一SUV 阈值分割法和PET-EDGE 分割法的结果差异具有统计学意义（P＜0.05），前者差于后者，这可能是因为单一SUV 阈值分割法是一种基于绝对计数水平的恒定阈值方法，且不同的SUV 阈值对靶区勾画结果的影响较大，因此使用单一阈值法确定肿瘤区域大小存在一定缺陷［21］。PET-EDGE 算法能够更充分地利用SUV 信息，全面评估肿瘤位置及其体积特征，在分割肿瘤靶区时更具灵活性和适用性。

综上所述，以PET-CT 手动勾画结果为金标准，在鼻咽癌PET-CT 融合图像靶区的分割性能上，基于PET-CT 图像的自动勾画优于基于增强CT 图像的手动勾画，MIM 软件自带的PET-EDGE 分割算法优于单一SUV阈值算法。