基于卷积神经网络的腮腺浅叶自动勾画研究

左宇浩，雷胜飞*，卢晓云，段华新，邓 坦，周 理

（1.湖南省人民医院（湖南师范大学附属第一医院）肿瘤科，长沙 410005；2.湖南省人民医院（湖南师范大学附属第一医院）教学部，长沙 410005）

0 引言

放射治疗要求在给予靶区高剂量的同时尽可能减少周围正常组织的受照剂量[1]。靶区和危及器官（organ at risk，OAR）的精确勾画是精确放疗的重要环节和前提[2]。但这往往会占用临床医生大量的时间和精力，对于低年资医生也容易发生OAR 的过度或欠缺勾画[3]，从而降低临床工作的效率。近年来，随着人工智能在医学领域的发展，基于卷积神经网络的自动勾画在临床应用中成为热点，其对于头颈部肿瘤[4]、胸部肿瘤[5]、腹部肿瘤[6]的OAR 的勾画均能达到较高的准确性，但目前缺少对于腮腺浅叶勾画的研究。腮腺浅叶位于咬肌后份的浅面，深叶位于下颌后窝及下颌支的深面，二者以峡部相连[7]，深浅叶的重要解剖标志是下颌后静脉。腮腺浅叶的准确勾画不仅能有效评估受照剂量，防止放射治疗毒副反应的发生；还能够提高靶区的边缘剂量与适形度，降低肿瘤复发的概率。本研究旨在对比自动勾画和手动勾画腮腺浅叶的差异，评估基于卷积神经网络对腮腺浅叶勾画的准确性。

1 资料与方法

1.1 临床资料

随机选取2017—2021 年于湖南省人民医院肿瘤科进行放射治疗的头颈部肿瘤患者80 例，分为训练组（60 例）与验证组（20 例）。训练组中男性患者48 例、女性患者12 例，年龄35～75 岁，平均年龄（53.1±9.6）岁，其中鼻咽癌46 例、喉癌1 例、颊癌2例、舌癌9 例、牙龈癌2 例；验证组中男性患者15例、女性患者5 例，年龄19～74 岁，平均年龄（54.2±13）岁，其中鼻咽癌15 例、下咽癌2 例、舌癌1 例、软腭癌1 例、牙龈癌1 例。

1.2 实验方法

患者均采用热塑头颈肩膜仰卧位固定，利用Philips Brilliance CT（Big Bore）进行模拟定位扫描，层厚与层间距均为3 mm。由1 名具有副高职称的高年资医生以穿过腮腺的下颌静脉为界，对所有病例进行腮腺浅叶的手动勾画（manual delineation，MD），同时在勾画完成后由其他高年资医生进行二次审查，并将验证组中手动勾画的轮廓作为评价自动勾画（automatic delineation，AD）的参考勾画；将训练组的CT 图像和结构文件导入AccuLearning 中进行训练，其中训练模型结构为unet_2d，训练轮次为50，训练结束后将算法模型导入自动勾画软件。对验证组的病例分别进行自动勾画以及在自动勾画的基础上由临床工作时间低于3 a 的低年资医生进行手动修改（automatic delineation+correction，AD+C），最后将2 组结果和高年资医生的手动勾画结果进行评估对比。

1.3 评估指标

1.3.1 戴斯相似性系数（Dice similarity coefficient，DSC）

DSC 又称为重叠指数，是用来描述2 个集合中重叠区域所占的比例。DSC 值介于0 到1 之间，当DSC 值越接近1，表明两者重合度越高。DSC 的计算公式如下：

式中，CDice表示DSC；VAD/AD+C表示自动勾画的轮廓或自动勾画后手动修改的轮廓；VMD表示手动勾画的轮廓。

1.3.2 杰卡德（Jaccard）指数

Jaccard 指数是用来描述2 个集合的相似性，定义为两者的交集与两者并集的比值。Jaccard 指数的值介于0 到1 之间，值越大表明2 个集合的相似度越高。Jaccard 指数的计算公式如下：

式中，IJaccard表示Jaccard 指数。

1.3.3 质心偏差（deviation of centroid，DC）

DC 是用来描述2 个结构的几何中心点在三维坐标轴上的物理差异。当DC 值越接近0 时，表明两者中心点之间的位置差异越小。DC 的计算公式如下：

式中，（xMD，yMD，zMD）表示手动勾画轮廓的几何中心坐标；（xAD/AD+C，yAD/AD+C，zAD/AD+c）表示自动勾画的轮廓或自动勾画后手动修改的轮廓的几何中心坐标；dDC表示DC。

1.3.4 95%豪斯多夫距离（Hausdorff distance 95%，HD95）

HD95是用来表示2 个集合在空间上距离的最小值，本研究选择从小到大排名前95%的距离作为实际豪斯多夫距离，是为了排除离群点所造成的不合理距离，保持数值的稳定性，从而更好地体现两者在空间距离上的物理偏差。HD95的计算公式如下：

式中，DHD95表示HD95；X 表示手动勾画的轮廓；Y 表示自动勾画或自动勾画后手动修改的轮廓；x 表示X轮廓上的点；y 表示Y 轮廓上的点；dXY和dXY分别表示X 到Y、Y 到X 的单向豪斯多夫距离。

1.3.5 平均表面距离（average symmetric surface distance，ASSD）

ASSD 是用来表示一个集合的所有表面点集到另一个集合的表面点集的欧氏最小距离的平均值，代表不同勾画结构边界的物理偏差。ASSD 的计算公式如下：

式中，DASS表示ASSD。

1.4 统计学分析

采用SPSS 26.0 进行统计学分析。首先对所有数据进行正态性检验，分别表示为均值±标准差（±s）和中位数（四分位距）；然后将AD 与AD+C 2 组数据的差值进行正态性检验，对于符合正态分布的数据进行配对t 检验；对于非正态分布的数据进行双关联样本Wilcoxon 秩和检验。P＜0.05 表示差异具有统计学意义。

2 结果

2.1 手动勾画与自动勾画轮廓比较

以手动勾画轮廓为参考勾画，分别与AD 和AD+C 的腮腺浅叶轮廓作对比，对比结果如图1 所示。可以看出，自动勾画的轮廓与手动勾画的轮廓、自动勾画后手动修改的轮廓与手动勾画的轮廓的重合度均较好，2 种勾画方式的精度均较高。

图1 自动勾画与手动勾画对比

2.2 几何精度

AD+C 的各指标均优于AD，具体数值见表1。其中左侧中位DSC 提高2.4%（Z=3.92，P＜0.001），右侧均值DSC 提高8.6%（t=5.244，P＜0.001）；左侧中位Jaccard 指数提高4.1%（Z=3.92，P＜0.001），右侧均值Jaccard 指数提高14.5%（t=5.992，P＜0.001）；左侧中位DC 下降15.0%（Z=3.703，P＜0.001），右侧均值DC下降55.9%（t=4.735，P＜0.001）；左侧、右侧中位HD95分别下降22.6%（Z=3.724，P＜0.001）、41.5%（Z=3.920，P＜0.001）；左侧、右侧中位ASSD 分别下降29.9%（Z=3.920，P＜0.001）、49.6%（Z=3.920，P＜0.001）。

表1 腮腺浅叶勾画准确度

2.3 勾画时间

MD 的平均勾画时间为（167.70±29.43）s，AD 的平均勾画时间为（27.30±1.54）s，AD+C 的平均勾画时间为（123.05±10.54）s。AD 与AD+C 的勾画时间均短于MD（AD 较MD 缩短83.7%，AD+C 较MD 缩短26.6%），差异均具有统计学意义（tAD=21.42，tAD+C=5.875，P＜0.001）。由此可见，AD、AD+C 相比较于手动勾画，可以节省大量时间，提高临床效率。

3 讨论

随着医用直线加速器技术的迅速发展，调强放射治疗技术在临床上得到了广泛应用，其通过不同强度的光束的照射使高剂量主要集中于靶区域，减少了高风险器官的辐射剂量。唾液腺损伤造成的放射性口干症作为头颈部放射治疗后常见的并发症，严重影响患者的生活质量。腮腺作为最大的唾液腺，对其功能的保护尤为重要，因此临床上通常将腮腺作为整体进行勾画。但根据《中国鼻咽癌放射治疗指南（2020 版）》[8]提出的腮腺浅叶剂量限值为V30≤50%，并且适当调整OAR 的限值并没有明显提高严重的放射治疗并发症的概率。因此，对腮腺浅叶的准确勾画更有利于放疗计划的设计。本研究对腮腺浅叶的自动勾画与手动勾画结果进行比较，结果显示两侧浅叶的自动勾画的DSC 值均在0.81 以上，与Zijdenbos 等[9]认为的DSC 值大于0.7 表明有较好的重合性和张嵩[10]认为的平均DSC 值≥0.808（0.95×0.85）即可满足临床勾画功能的有效性一致。与王继平等[11]基于3D-Unet 网络模型自动勾画腮腺的DSC值为0.8、纪天龙等[12]基于模型分割的腮腺自动勾画的DSC 值为0.58、胡江等[13]基于通用模板自动勾画腮腺的DSC 值为0.74 相比，基于卷积神经网络对于腮腺浅叶的自动勾画在一定程度上可以媲美全腮腺优化。

本研究的轮廓评估指标显示腮腺浅叶的自动勾画效果较好，但是其DC、HD95、ASSD 值均大于吴哲等[4]的全腮腺分割结果。原因在于浅叶分割训练的标志（下颌静脉）在CT 图像中所占比例较小，且除其以外的区域内没有清晰的边界与组织密度的差异，所以大部分深浅叶界限是由医生以有限的标志为参考凭经验所勾画，从而导致训练模型在x 和y 方向上的误差。而z 方向上较差的原因是由于训练模型是基于二维的神经网络unet_2d。unet_2d 对于单层CT图像分割准确，但是对图层间的空间信息学习能力不足，而头脚方向上图像是不连续的，致使头脚方向边界分割较为模糊，因此造成轮廓分割不准确。虽然基于三维的神经网络训练模型能够很好地解决空间分辨力不足的问题，但是因为参数量过大，对硬件的要求较高，导致执行效率低下。因此，改进训练模型已经成为放射治疗领域的一项研究热点。近年来，通过改进网络分割模型，田娟秀等[14]基于3D 深度残差全卷积网络的自动分割方法和慕光睿等[15]基于多尺度策略的三维卷积神经网络的分割方法都能在不同程度上提高分割的准确性。

本研究在自动勾画后的轮廓上继续由低年资医生进行手动修改，发现相比于自动勾画，经过修改后的各项评价指标都有较大提升，其中浅叶DSC 值接近0.9，特别是在自动勾画结果不佳的y 轴方向，通过手动修改后可以与手动勾画结果一致。且相比于手动勾画，自动勾画能够节省约五分之四的时间，自动勾画后手动修改可以节省超过四分之一的时间，这与Walker 等[3]得出的在头颈部肿瘤中自动勾画加手动修改所用时间相比于单纯的手动勾画节省30.9%的结果相差无几。

自动勾画对于不同部位的肿瘤靶区和OAR 的勾画取得了较好的结果，并且能够为临床医生提供一定的帮助。但是目前这种方法尚不能代替高年资医生对分割轮廓的审查，仍然需要后续修改以保证勾画的精准性。蒋璠等[16]认为在缺乏人工干预的情况下，即使基于最优自动分割结果的放疗计划也无法直接满足临床要求。低年资医生对自动勾画的腮腺浅叶进行人工修改后可以接近高年资医生的手动勾画效果，这样既提高了临床工作效率，将医生从繁杂的靶区勾画中解放出来，也能改善器官勾画的准确性，为精准放疗提供有力的保障。

4 结语

本研究通过基于卷积神经网络的训练模型对手动勾画的腮腺浅叶轮廓进行自主学习，其结果显示单纯的自动勾画能够节省大量的时间并且取得良好的准确性。但是，由于训练模型的局限性导致腮腺浅叶边界的一致性较差，因此医生对自动勾画后OAR的轮廓审查和手动修改仍然是十分必要的。本研究的局限性在于训练组的病例较少且仅仅是从几何指标评价腮腺浅叶自动勾画的准确性，没有对实际计划中的剂量偏差进行比较，缺乏临床相关性。未来探讨的方向是在扩充训练病例的基础上评估腮腺浅叶自动勾画结果时加入剂量学参数，从而更直接地解释勾画轮廓与临床剂量响应的关系。