AccuContour软件在乳腺癌靶区和危及器官自动勾画中的研究

龚筱钦，陈飞，胡静，游涛，张开军，戴春华，朱雅群

1. 苏州大学附属第二医院 放疗科，江苏 苏州 215000；2. 江苏大学附属医院 放疗科，江苏 镇江 212000

引言

乳腺癌是女性最常见的恶性肿瘤之一，其发病率和死亡率在女性恶性肿瘤中占据首位，且发病人群日趋年轻化[1]。早期乳腺癌患者行保乳术后联合放射治疗对提高患者生存率有重要作用[2]。放射治疗中肿瘤靶区及危及器官的勾画是较为关键的一步，是实现精准放疗的必要前提[3]。临床上如何更快速、准确地勾画靶区及危及器官一直是研究的热点。近年来，深度学习自动勾画软件被应用于临床，但其勾画结果因软件不同存在一定的差异性，且有研究表明，基于软件原有的自动勾画模型对临床靶区的勾画效果并不理想[4-5]。

目前关于AccuContour（AC）软件学习后重新建模，应用于乳腺癌临床靶区（Clinical Target Volume，CTV）和危及器官（Organs At Risk，OARs）自动勾画的相关报道较少，且相关研究大多只评价软件原有模型自动勾画的效果。本研究基于此软件，探讨其在右侧乳腺癌保乳术后患者CTV 及OARs 自动勾画中的可行性，同时考虑到软件原有模型的训练数据来源不同可能造成的误差，本研究纳入我院60 例早期乳腺癌保乳患者的数据，利用软件的深度学习功能，生成全新的自动勾画模型（Mode-ST），并与软件原有模型（Model-AC）相比较，以期获得更优的自动勾画效果并为应用于临床放疗工作提供依据。

1 材料与方法

1.1 一般资料

回顾性选取2016 年3 月至2021 年6 月在我院放疗科接受放射治疗的早期右侧乳腺癌保乳术后患者的CT 影像资料。

纳入标准：① 早期右侧乳腺癌保乳术后患者，临床分期为T1-2N0M0，腋窝无肿大淋巴结，无锁骨上淋巴结预防；② 无其他全身性疾病。最终入选患者60 例，年龄为29～68岁，中位值43.5 岁；体质量指数（Body Mass Index，BMI）中位值为21；CTV 中位值为541 cm2；本研究已经过江苏大学附属医院科研伦理委员会审核通过（KY2021K0901）。

1.2 CT扫描

60 例患者均采用仰卧位真空垫固定体位，同时患者双手抱肘置于额头，使用飞利浦16 排大孔径CT 机进行放疗定位，且每例患者均注射碘海醇造影剂。扫描范围：下颌至肝脏下缘，扫描层厚为3 mm，层间距3 mm。将扫描采集的60 例CT 图像通过DICOM 上传至Eclipse 治疗计划软件，由一位放疗科医师手动勾画CTV 和OARs，并由一位主任医师审核，其手动勾画被认为是“金标准”。

（1）所有患者采用勾画原则如下。CTV 上界：锁骨头下及第二肋交界处；下界：乳腺下缘，已无乳腺组织处；内界：胸骨柄边缘，但不要超过胸骨中线；外侧界：腋中线水平，但要考虑乳腺下垂的程度；前界：皮肤组织下5 mm；后界：胸大肌或胸壁肌肉，但不包括这些肌肉或肋骨。

（2）OARs 的勾画标准如下。双侧肺：勾画时用肺窗，包括所有膨胀的、塌陷的、纤维化的、气肿的肺组织，但不包含肺门、气管和主支气管；肝脏：避开胆囊、肝门；心脏：肺动脉干分叉下一层开始勾画，止于横膈膈顶心尖部；健侧乳腺：全部腺体组织；气管：环状软骨下至器官分叉处，不包含主支气管；食管：环状软骨下方一直到胃食管结合部入胃处；脊髓：靶区上、下各外放3 cm，勾画脊髓髓质部位。

1.3 基于本研究数据深度学习训练后的全新算法模型自动勾画乳腺癌CTV及OARs

AC 是一款基于U-Net 全卷积神经网络进行医学影像分割的软件，由Manteia（中国）科技有限公司研发，其自带OARs 及肿瘤靶区自动勾画模型。Manteia 公司也可训练各中心数据生成新的模型导入至AC 软件中供临床使用，基于此，本研究选取患者中的40 例数据作为训练集，由软件进行深度学习形成新的模型，定义为Model-ST；余下20 例作为测试集传至AC 软件中，使用生成的Model-ST 模型对乳腺癌CTV 及OARs 进行自动勾画。

1.4 基于AC软件原有的算法模型自动勾画乳腺癌CTV和OARs

AC 软件原有的模型同样基于U-net 全卷积神经网络，其是通过公司自有的数据深度学习训练得到的自动勾画模型，定义为Model-AC。将上述20 例测试集数据再上传至AC 软件，由Model-AC 模型再次对乳腺癌CTV 及OARs进行自动勾画。

1.5 评价指标

结合AC 软件分析的评价指标，参考医学图像分割算法的评价方法[6]，以医生手动勾画的CTV 及OARs 数据作为“金标准”，选用戴斯相似系数（Dice Similarity Coefficient，DSC）、豪斯多夫距离（Hausdorff Distance，HD）、相对体积差值（Relative Volume Difference，RVD）对自动勾画的准确性进行评估。

（1）DSC：DSC 是一种集合相似度度量指标，用于评价两组勾画轮廓相交体积占总面积的比值[7]，其中vA代表手动勾画轮廓的体积，vB代表自动勾画轮廓的体积。DSC的大小为0～1，其数值越接近1 表示相似度越高，表明自动勾画的精度越高，其计算公式如式（1）所示。

（2）HD：HD 是描述两组点集之间相似程度的一种量度[8]，它是两个点集之间距离的一种定义形式。A 和B分别表示手动勾画和自动勾画的轮廓区域。a、b 分别表示轮廓线A、B 上的任意一点，HD 值越小表示两轮廓线的最大欧氏距离越小，表明勾画相似性越高，其计算公式如式（2）～（3）所示。

（3）RVD 的差异率：主要用于评价两组勾画体积之间的差异[9]，|A|代表手动勾画结果的体积，|B|代表模型自动勾画结果的体积，RVD 值越接近0，表明分割结果越接近“金标准”，其计算公式如式（4）所示。

1.6 统计学分析

采用SPSS 23.0 软件进行统计学分析，计量资料以（±s）表示，对两组自动勾画的CTV 及OARs 结果行配对t检验，P＜0.05 为差异有统计学意义。

2 结果

2.1 自动勾画的参数评估

表1 总结了Model-ST 与Model-AC 两个模型自动勾画的结果。Model-ST 组的CTV 三个评价指标均优于Model-AC 组，其中DSC 值差异具有统计学意义（P＜0.05）；Model-ST 组的脊髓DSC 值高于Model-AC 组，HD 和RVD值均低于Model-AC 组，差异具有统计学意义（P＜0.05）；Model-ST 组 心 脏 的HD 和RVD 值 低 于Model-AC 组（P＜0.05）；Model-AC 组的双肺和肝脏DSC 值均≥0.98，自动勾画具有较高的重复性，且左肺的HD、RVD 值以及右肺的HD 值均低于Model-ST 组（P＜0.05），这与DSC结果相对应；食管的Model-AC 组DSC 值高于Model-ST组，相对应的RVD 值低于Model-ST 组（P＜0.05）；气管的Model-AC 组RVD 值低于Model-ST 组（P＜0.05）；其余评价指标差异无统计学意义（P＞0.05）。

2.2 脊髓参数评估

在对表1 数据进行分析发现，Model-AC 组的脊髓DSC、HD 和RVD 数值均较异常，经逐例测试集逐层检查后发现Model-AC 组的脊髓勾画过长；对比Model-ST组中脊髓勾画结果发现，Model-AC 模型自动勾画的脊髓上下界有悖于临床勾画习惯，因此手动修改脊髓上下界，保留靶区及其上、下外放3 cm 的区域，脊髓修改后的结果见表2。对比表2 中的脊髓1 数据，其DSC 系数从之前的（0.52±0.19）提高到（0.87±0.03），HD 和RVD 值也均有降低。

表1 Model-ST与Model-AC的CTV和OARs自动勾画结果评价指标（±s）

表1 Model-ST与Model-AC的CTV和OARs自动勾画结果评价指标（±s）

注：Model-ST：基于本研究训练集数据训练得到的自动勾画模型；Model-AC：软件原有的自动勾画模型；CTV：临床靶区。

器官DSCHD/mmRVD/%Model-ST Model-AC t值 P值Model-STModel-ACt值P值Model-STModel-ACt值 P值左肺 0.97±0.01 0.99±0.01 -7.52 ＜0.001 1.98±0.850.64±1.116.45 ＜0.0012.66±1.531.32±1.62 4.32 0.002右肺 0.98±0.01 0.99±0.02 -2.96 0.0162.65±0.971.15±1.92 3.29 0.0092.37±1.612.27±2.88 0.16 0.874心脏 0.97±0.01 0.97±0.01 -1.38 0.2022.74±0.665.90±3.26 -3.26 0.0101.64±1.304.59±2.27 -3.65 0.005脊髓 0.81±0.06 0.52±0.19 4.22 0.0026.06±5.67 153.33±97.86 -4.68 0.010 21.67±18.49 59.12±22.28 -3.21 0.011肝脏 0.97±0.01 0.98±0.01 -4.80 0.0014.22±2.265.44±4.71 -1.35 0.2121.22±1.202.32±1.39 -1.73 0.118健侧乳腺 0.88±0.04 0.86±0.05 1.08 0.310 31.72±65.33 12.21±7.48 0.89 0.39614.01±9.79 13.46±10.17 0.10 0.925食管 0.73±0.14 0.89±0.02 -3.39 0.008 40.14±101.26 4.51±5.94 1.12 0.293 55.41±62.51 10.47±6.12 2.29 0.048气管 0.89±0.02 0.91±0.04 -1.97 0.0803.52±1.553.12±1.25 0.67 0.51813.21±6.67 7.73±4.26 2.45 0.037 CTV 0.92±0.03 0.81±0.04 9.46 ＜0.001 10.29±7.51 59.34±68.26 -2.23 0.0535.50±3.69 16.55±13.94 -2.22 0.053

表2 Model-ST与Model-AC脊髓自动勾画结果评价指标（±s）

表2 Model-ST与Model-AC脊髓自动勾画结果评价指标（±s）

器官DSCHD/mmRVD/%Model-ST Model-AC t值P值Model-STModel-ACt值P值Model-STModel-ACt值P值脊髓1 0.81±0.06 0.52±0.19 4.22 0.033 6.06±5.67 153.33±97.86 -4.70 0.010 21.67±18.49 59.12±22.28 -3.21 0.040脊髓2 0.81±0.06 0.87±0.03 -2.24 0.052 6.06±5.67 5.74±4.690.13 0.897 21.67±18.49 6.63±4.072.59 0.029

2.3 自动勾画断层图评估

图1 中a、b 分别展示了CTV、健侧乳腺的勾画效果。从CT 断层图上可以看到，CTV 自动勾画与医生手动勾画相比，整体的轮廓相似度较高，但在一些不规则的层面，Model-ST 的自动勾画轮廓重合度优于Model-AC。健侧乳腺的两组自动勾画从断层图中看不出明显差异，在界限不清或腺体快消失的几个层面的勾画效果不甚理想。

图1 CTV和健侧乳腺勾画的CT断层示例图

图2 中a、b、c、d 分别展示了各OARs 的结构勾画：两组自动勾画在双侧肺、心脏的轮廓相似度很高，基本不需要手动修改；在肝脏的自动勾画中，Model-AC 组的轮廓相似度高于Model-ST，两组均在胆囊、肝门处需手动修改避开；Model-ST 组食管的勾画在心脏后方、生理狭窄处易断开。

图2 各OARs勾画的CT断层示例图

3 讨论与总结

精准放疗时代，CTV 和OARs 勾画的精确性是放射治疗的前提，是患者获得最佳疗效的根本保障[10]。此前，临床应用比较多的是基于图谱库的自动勾画，其主要是通过形变配准来实现的。Schipaanboord 等[11]认为在精确图谱库选择下的自动勾画对部分OARs 能达到临床应用的期望，而对界限不清的乳腺组织、气管、食管等OARs 则不能合理地完成自动勾画。近几年随着人工智能的不断发展，深度学习自动勾画在放疗领域引起了很高的关注度，关于自动勾画的相关研究从基于图谱库的自动分割转向了深度学习的自动分割[12]。AC 软件自带基于U-net 全卷积神经网络，可通过深度学习进行自动勾画的平台。近年来该软件已陆续投入三级医院使用，一些研究也在尝试验证其自动勾画的精准度和准确性。目前国内关于该软件研究较多的是头颈部、胸部以及腹部OARs 的自动勾画效果比较，尚未有基于个体化数据建模后应用于临床靶区自动勾画的报道，且相关研究表明软件自带的模型在OARs 中具有一定的临床应用价值，但是对于食管、胃以及脊髓的自动勾画效果不甚理想[13-15]。本研究通过比较Model-ST 与Model-AC 两组模型的自动勾画效果，探讨基于临床主任医师手动勾画“金标准”数据深度学习后得到的模型是否在临床靶区及OARs 的勾画效果方面有所提高，以便进一步为临床应用提供参考。

乳腺癌CTV 的勾画受外科手术切口、乳房大小等个体差异影响较大，Men 等[16]的研究得到基于不同的深度学习网络模型，乳腺癌靶区自动勾画的DSC 值分别为0.85、0.88、0.91。本研究Model-ST 组得出的DSC 值为0.92，优于其他研究结果，这可能是因为各放疗中心勾画靶区习惯不同以及所基于的深度学习模型不同导致的。对比Model-AC 组DSC 值0.81，Model-ST 组CTV 的自动勾画效果具有很好的轮廓一致性，结果表明基于本研究数据建立的自动分割模型在CTV 的自动勾画效果上显著优于软件原有的模型。

Hofmanninger 等[17]研 究 得 到 肺 的DSC 值 为0.97，Tang 等[18]研究得到肝脏的DSC 值为0.98，本研究结果与其他研究者的结果基本相符。但食管的自动勾画中，Model-AC 组明显优于Model-ST，如图2d 所示，Model-ST食管勾画在生理狭窄处有时会出现断层或者勾画偏差较大的现象，其原因可能有以下几点：① 食管个体差异较大，与周围软组织界限不清；② 食管解剖位置的移行；③ 训练集样本量较小。Zhang 等[19]研究得到基于卷积神经网络的脊 髓DSC 值 为0.82，表2 脊 髓2 中Model-AC 的DSC 值0.87，高于Zhang 等[19]的研究结果。这表明软件原有的模型在OARs 的自动勾画中效果优于基于本研究数据训练得到的模型。由于脊髓在整个影像中所占面积较少，自动分割中脊髓样本与整个影像背景样本不平衡，可能是脊髓勾画结果中DSC 系数低于肺、肝脏的原因。

综上所述，AC 软件对早期右侧乳腺癌（T1-2N0M0 分期）保乳术后CTV 及OARs 的自动勾画效果具有较高的准确性和精度。其中，使用本研究数据形成的模型能更为准确地实现CTV 的自动勾画；而在OARs 的自动勾画中，软件原有的模型勾画效果更好。临床工作中选用合适的模型可以为早期乳腺癌患者的术后放疗工作提供便利。此外，模型的自动分割性能取决于很多因素，本研究还存在一定的局限性可能导致建立的模型泛化能力弱：① 数据来源过于单一，缺少多样性，未考虑到地区、民族等因素；② “金标准”的勾画只依据一位临床主任医师标注的结果，未考虑将不同医师间的标注差异达成统一；③ 在自动勾画的结果应用于临床之前，需临床医生认真检查勾画结果，以便及时对个体差异较大的特例进行修改。