图像分割在肿瘤放射治疗中的发展与应用

吴倩倩，周蕾蕾，赵紫婷，蒋红兵,2

1. 南京医科大学附属南京医院（南京市第一医院） a. 医疗设备处；b. 医学影像科，江苏 南京 210006；2. 南京市急救中心，江苏 南京 210003

引言

放射治疗是利用放射线治疗肿瘤的一种局部治疗方法，可有效降低肿瘤细胞增殖活性并加速肿瘤细胞凋零[1]。放疗技术不断发展，逐步进入精确放疗时代，靶区剂量分布不断改善。放疗图像的分割处理可以辅助医师进行靶区及危及器官（Organs at Risk，OARs）的勾画，精确的靶区分割有助于在消灭肿瘤的同时最大程度上保护周围正常器官。临床上靶区勾画多依靠医师手工进行，近年来，大约70%的癌症患者在治疗过程中需要进行放射治疗[2]，医学图像数量急剧增长，手工勾画费时费力，治疗效率较低。随着图像处理技术及人工智能的发展，图像自动分割技术逐渐投入到放疗图像处理中，不仅减轻了医师的工作负担，而且大大提高了工作效率，在制定治疗计划中产生了重要作用，对提高放疗的准确性具有深远的意义。

1 常用的医学图像分割方法

图像分割是将图像划分为具有相似属性（如灰度、纹理等）的区域的过程，医学图像分割的目的包括：① 研究解剖结构；② 定位肿瘤、病变或其他异常情况；③ 测量组织体积以检测肿瘤的生长状况；④ 放疗计划设计过程中对器官及靶区进行自动勾画。然而医学图像的线性特征较复杂，在其中普遍存在灰度对比度低、组织边界模糊等问题[3]，故实现其自动分割是一项艰巨的任务。随着越来越多地使用CT和MRI成像进行辅助诊断、制定治疗计划和临床研究，使用相应的计算机技术来对进行分割处理已经变得不可或缺。

1.1 基于边缘的分割方法

边缘特征是图像的基本特征之一，基于边缘的分割方法通过边缘检测算子检测出不同区域的边界信息，将边界作为图像的基本特征来寻找灰度不连续的像素点，从而提取出能够反映灰度、纹理、颜色等图像信息的目标边界突出情况，以达到图像分割的目的。在分割过程中，可以用一阶导数判断图中的像素是否属于边缘部分，二阶导数判断像素属于哪一部分[4]。常见的一阶导数边缘检测算子包括Sobel算子、Roberts算子、Canny算子等。以Sobel算子为例，其算法简单、计算量小、速度快，但由于其算法只采用水平和垂直2个方向模板，故对于纹理较复杂、斜向边缘较多的图像提取的图像轮廓不是很理想。王云艳等[5]将Sobel算子与平滑滤波、高通滤波等相结合，克服了传统算法的单一性，在提取图像边缘细节的同时保证了图像信息的真实性，最终得到视觉效果非常不错的增强图像。

该方法能够检测出有效边缘[6]，但在实际操作过程中，由于图像都是含噪图像，在检测精度与抗噪能力间存在着相互制约的不确定原则，且对于图像中多数存在的斜坡边缘检测效果并不佳[7]，故该技术仍需不断优化和完善。

1.2 基于区域增长的分割方法

区域增长和分裂合并的方法是一种典型的串行区域分割方法，其根据用户预定义的某种相似性准则，将具有相似性的图像像素或者区域聚合成为更大的区域[8]。首先，找到种子像素作为每个要划分区域的起点，然后将种子像素周围与其具有相似属性的像素合并到种子像素所在的区域，再继续将这些新像素视为新的种子像素，重复上述过程，直至找不到满足条件的像素为止[9]。研究发现，通过在算法中加入统计学信息和先验知识，就可避免手动选取种子像素，使其选择更加可靠。Ren等[10]开发了一种可以自动计算阈值的区域生长算法用于分割肺结节图像区域，该算法不仅可以快速的对所有肺结节图像进行分割，同时还保留了病变的原始特征，有效地帮助放射科医生进行诊断的同时，为智能算法提供了可靠的培训数据。

该方法计算简单，对于连续均匀的目标，如血管、实质性组织，具有较好的准确性、高效性[11]，但其易受噪声的影响，且种子像素的选取具有重要意义，种子点位置的选择不适以及增长阈值的设定，都会影响分割结果[12]。

1.3 基于图割能量最小化的分割方法

近年来，图割技术提供了一个通过全局分割的方法去对图像进行分析的平台在许多交互式和自动分割领域获得了广泛的应用[13]。该方法需要根据图像的特征信息，建立合适的能量函数，然后根据能量函数建立图论中的网络图，通过对网络图采用最大流/最小割算法获得分割结果[14]。Pauchard等[15]使用了交互式图割技术，用于从临床CT图像中分割出骨骼并达到对近端股骨强度的预测，将其与手动分割进行比较发现，二者分割结果非常相似，骨强度预测基本准确，且交互式分割所用时间大大缩短。

该方法为很多图像处理问题提供一个自然框架，在图像分割中更侧重于分割模型的物理学意义，可以将定义于特征场或标号场的具有明确物理含义的约束条件引入能量函数，求解更灵活[16]，但如何定义能量函数，使其最小化以产生所需结果以及如何用图形构造表示能量函数都是图割中的关键问题[17]，除此之外，能量函数在进行优化时通常采用梯度下降形式，计算效率较低，影响了图像分割的速度[18]。

2 放疗中图像分割的研究进展和应用

靶区范围的准确定义与勾画是放射治疗成功与否的第一步[19]，依据图像可以对靶区OARs进行勾画，制定相应的治疗计划，从而确保治疗中的剂量最大限度地集中在肿瘤区域，提高放疗的精确性，减少对周围正常组织器官的损害。目前对靶区进行勾画的方法主要包括手工勾画、基于图谱库的自动勾画和基于深度学习的自动勾画三种方法。

2.1 手动勾画

通常情况下，放射肿瘤医师需根据患者的CT或MRI图像手动勾画靶区和OARs，传统的手工勾画存在以下缺点：① 需要耗费医师大量时间以及精力，占用大量医疗资源，不利于诊断效率的提高；② 重复性差，医师勾画范围不同，导致每次进行放射治疗时照射区域存在一定的偏差，不能规模化实现，增加了肿瘤复发及恶化的风险；③ 准确性相对较低。同时，CT、MRI技术的发展使得图像数量井喷式增长，导致传统的手工勾画注定无法适应社会对医疗服务的需求以及医疗行业自身的快速发展，放射治疗的应用与发展迫切的需要快速、准确且容易操作实现的技术来对器官进行勾画[20]。

2.2 基于图谱库的自动勾画

当前已有多个基于图谱库的自动勾画软件（Atlas-Based Auto-segmentation，ABAS）投入到临床应用中，其中关键一步为构建与软件相应的图谱库。构建图谱库首先需要已经勾画好靶区以及OARs的图像，再由这些图像训练得到一个模板数据库才可投入到临床应用中[21]。

以一款商用软件MIM Maestro（Ver 6.6.5）[22]为例，建立4套病例数不同的宫颈癌图谱库（30、60、90、120例），分别应用4个图谱库对10例目标图像进行危及器官的自动勾画并分别计时。实验结果表明，自动勾画软件可以在一定程度上改善勾画者间的差异，减少医生的勾画时间；对于边界较明显的膀胱来说，勾画结果较好，但直肠作为形变较大的器官，由于其充盈程度无法控制，且形状因人而异，是勾画较为困难的组织；综合比较发现，对60例以上的图谱库而言虽然较大的图谱库略有优势，但临床中建立120例与60例图谱库相比，工作量增加1倍。当前，已有多款ABAS软件应用于肝脏、头颈部、乳腺等放疗图像的自动勾画中。Hyothaek等[23]评估了一款用于勾画下颌骨和颈部甲状腺CT图像的ABAS软件适用图谱库的例数，结果表明，随着例数的增加，勾画性能通常会提高，但增加例数并不能持续提高勾画准确性，甚至还可能取得相反的效果，且因各个机构对靶区勾画的标准不同，所以各机构在应用ABAS软件时，对于不同部位所需例数的最佳大小都应提前进行相应的评估方可投入使用。

基于图谱库的器官自动勾画虽然可以大大节省传统的手工勾画所需的时间，并且充分利用了计算机资源，但相对于不同解剖部位、不同结构以及OARs来说，勾画效果差异明显，且所有结构的勾画都需要进一步进行人工修正、建立医生确认流程才可满足临床要求从而应用于临床，构建图谱库所需的图谱数量根据不同软件、不同部位等因素均有不同要求。

2.3 基于深度学习的自动勾画

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学[24]，大量研究表明人工智能在医学领域具有巨大潜力，通过机器学习的方式进行图像分割的技术逐渐在放疗中应用开来。深度学习的方法快速且准确，它可以从图像中提取更加复杂的层次特征[25]，已经成功应用于计算机视觉方面的任务，如：影像分类、目标检索、图像分割和影像检索等[26]。目前使用较多且效果较好的网络模型如下。

2.3.1 卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）在医学图像中应用极为广泛，其本质为一个具有多隐层的神经网络，每个层执行特定的操作，如卷积、池化等，并在大量的数据训练过程中不断优化自身性能，使其能够更准确的提取图像特征[27]。结合训练好的CNN模型和GPU硬件加速，以实现放疗图像中组织器官快速的分割[28]。近年来，研究人员们开发出了众多医学图像分割新模型，广泛应用于医学图像处理的各个领域，并取得了较好的效果。Song等[29]构建并验证了CNN模型能很好地绘制直肠癌CT图像的目标区域及危及器官，并且质量较高，所需计算时间及手动校正时间更短。胡光亮等[30]提出一种利用CNN对鼻咽肿瘤MR图像全自动的分割方法，对于不同的鼻咽肿瘤患者都能取得较好的分割结果，具有良好的泛化能力。曹祺炜等[31]提出了一种多模态多池化3D CNN模型用于脑肿瘤MRI图像的分割，减少了网络中的参数和计算量，解决了传统分割过程中分割效率低、分割精度难以保证等问题，获得了更高分辨率的图像分割结果。

2.3.2 全卷积网络

全卷积网络（Fully Convolutional Network，FCN）在CNN基础上进行了改进，其解决的是图像像素级别的分类，先构建多层卷积层进行卷积运算，提取图像局部特征信息和抽象特征信息，在此期间可以通过不同方式增大感受野，然后池化操作逐渐降低减小图像尺寸，最后利用转置卷积进行逆运算的上采样操作还原图像[32]。FCN可以接受任意尺寸的输入图像，对图像进行逐像素的分类，并保留原始输入图像的空间信息[33]。郭磊等[34]将FCN用于X线图像中成像部位的自动分割，结果显示FCN能够提取有代表性的多维图像特征，避免了图像信息下采样丢失，实现X线图像中成像部位精确自动分割。段杰等[35]提出了一种改进型FCN用于分割肝脏CT图像，并与多种常见的分割网络进行对比，实验结果表明该方法可以精准分割CT图像中各种形状和大小的肝脏肿瘤，分割效果良好，能够为临床的诊断提供可靠的依据。FCN还可用于3D图像的多器官组织分割[36]，Peijun等[37]采用由粗至细的分层方法，显著改善了FCN网络的小器官分割结果。

2.3.3 U-Net网络

U-Net网络最初由Ronneberger[38]等提出，引入并使用了反卷积概念。该模型建立在FCN的体系结构上，其最重要的特性是分析通路与扩展通路等分辨率层之间的快速连接，这些连接为反卷积层提供了不可或缺的高分辨率功能。这种新颖的结构在医学图像分割中引起了广泛的关注并展示了其优势性，尤其是在OARs勾画领域，针对数据量很小的生物医学数据集进行图像处理，获得了较好的分割结果[39]。潘沛克等[40]提出了一种基于U-Net网络模型的鼻咽肿瘤MRI图像自动分割算法，实验结果表明该算法可以实现较好的实际分割效果且分割精度较高，同时时间效率大幅提升。周正东等[41]提出了一种基于带孔U-Net神经网络的肺癌危及器官并行分割方法，与传统分割方法相比，该方法分割性能最优，可有效地完成肺及心脏的自动并行分割，提高勾画效率，分割结果与人工勾画结果相当。

除此之外，卷积残差网络、递归神经网络以及多种网络相结合等模型也在放疗图像分割中广泛应用，发挥了重要作用。Nemoto等[42]将基于图谱库和基于深度学习的方法应用于勾画肺部CT图像并进行对比评估，结果表明，基于深度学习的方法比基于图谱库的方法轮廓的描绘更加准确，更有助于将增强的放射线向恶性部位照射，同时限制正常组织的暴露，从而减少放射性肺炎和其他并发症的发生，证明了深度学习模型在放疗计划中的适用性。

3 结语

医学图像分割是医学领域的研究热点，在术前诊断、术中规划和术后引导及预后评估管理上起着重要的作用[43]，越来越多的相关研究也证实了其优势性与适用性，尤其是基于卷积网络的深度学习模型具有很好的特征提取和自我学习能力。

目前，应用于放疗图像方面的基于靶区自动勾画的算法很多，但是大多都是对单一部位的研究，而且某一算法的单独应用因图像在形成过程中受到噪声、组织运动等因素的影响，分割结果与理想效果总是具有一定差距，对于图像中微小细节如组织中的血管目前也很难分辨。随着计算机技术的发展，未来对图像分割的研究必定更加注重结合多种分割算法，并逐渐使算法应用于全身各部位，对需进行放射治疗部位的勾画及放射剂量的确定将更加准确。同时，医学图像不同于自然图像，在图像分割中，自然图像仅需考虑二维结构，而医学图像还需考虑在三维空间结构上如何进行分割，现有的分割模型大都基于自然图像，随着图像分割技术的发展，势必会开发出越来越多适用于医学图像并能进行三维空间的分割算法，有助于临床医师更好地对患者进行放射治疗。放疗图像自动分割技术的进步不仅在患者肿瘤的预防、诊断、治疗和预后等方面展现了其优越性能，而且推动其朝精细化、准确化的方向不断进步。