基于深度学习技术的放疗靶区自动勾画系统设计与功能实现

关键词：深度学习；放疗；自动勾画；危及器官；大体肿瘤体积；临床肿瘤体积

0 引言

近年来，随着云计算、大数据、人工智能等新一代信息技术在医疗信息化领域中的深入应用，信息技术在辅助临床诊疗方面发挥着越来越重要的作用。深度学习作为人工智能的重要分支，在医学图像自动分割领域具有准确性高、可靠性高、学习性强、数据处理能力强等优势，展现出巨大潜力并得到广泛应用[1]，而临床诊疗手段也在随着信息技术的进步不断丰富和完善。

放射治疗是恶性肿瘤常规治疗手段之一。在放射治疗的过程中，医生需要逐层对患者的CT扫描图像进行肿瘤靶区和危及器官（Organ At Risk，OAR） 的精准勾画。以往主要依靠放射科临床医生手动完成病人放疗前OAR、大体肿瘤体积（Gross Tumor Volume，GTV） 、临床肿瘤体积（Clinical Tumor Volume，CTV） 的勾画，不仅耗费时间长、诊疗效率低，而且不同医生勾画的正常器官也会有所差异[2]，更有可能延误患者的治疗时间，增加医患矛盾，不利于构建和谐安宁的医患关系。

肿瘤治疗通常有三种方式：手术治疗、化学药物治疗、放射治疗。放疗技术的进步促进了精准放疗的发展，在与日俱增的精准放疗需求背景下，为使治疗时间缩短、效果提高、副作用减少、不良反应降低，迫切要求医务人员提高工作效率，满足患者及时、高效、精确治疗的需求。精准放疗不仅依赖于先进的成像与治疗设备，OAR、GTV、CTV的高精度勾画也是实施精确放疗的关键技术和手段。对此，医院引入一套基于OAR自动分割以及器官和组织三维重建等技术的放疗靶区自动勾画系统，该系统是一套专门针对放射治疗图像处理的软件，能辅助医生在放疗前完成对肿瘤及相关器官和组织的轮廓勾画。医生利用系统分析处理后的影像信息，确定肿瘤靶区和OAR的边界，为患者制订个性化放射治疗计划提供了依据[3]。

该系统与医院现有的放疗系统及影像归档和通信系统（Picture Archiving and Communication System，PACS） 无缝对接，通过人工智能技术实现OAR、GTV、CTV的自动勾画。同时，系统能根据临床医生的勾画风格调整完成自适应模型，满足科室的临床应用及科研需求，不仅提高了影像勾画的精准度和患者满意度，也提升了放疗科医疗、教学、科研等各项工作的质量和效率。本文介绍了上述基于深度学习技术的放疗靶区自动勾画系统，对其设计与功能实现进行了阐述，并对其应用效果作出了说明。

1 系统设计

1.1 架构设计

系统采用主流可扩展的B/S软件架构，系统开发采用主流的编程语言：前端界面开发使用HTML、tChSoSn、、JCa+v+aS等cr语ipt言等，语算言法，设后计端使开用发C使++用、PJyathvoanSc等rip语t、言Py。⁃在保证数据安全性、时效性、准确性和易用性的同时，系统具有更方便的功能扩充和与其他系统对接融合的能力。

系统遵循国际医学数字成像与通信（Digital Imag⁃ ing and Communications in Medicine，DICOM） 3.0标准，可处理CR、DX、CT、MR、PET、SPECT 等设备输出的DICOM 3.0接口图像，可输出DICOM 3.0格式图像文件和RT Structure文件。系统支持DICOM Query/Re⁃ trieve、DICOM Storage SCP（Service Class Provider） 、SDeIrCvOicMe 等St接ora口ge服 SC务U，（S支erv持ic放e C疗la靶ss 区Us勾er）画 、影DIC像O数M 据W传eb输、勾画、配准等功能，并包含了国内多家顶级三甲医院医生的临床诊断勾画标准。系统支持的DICOM接口服务内容如表1所示。

1.2 接口设计

系统接口分为内部接口和外部接口。内部接口是客户端与服务器之间进行的数据交互，接口设计遵从表象化状态转变（Representational State Transfer，REST） 应用程序接口标准规范，采用轻量级、无状态的数据交互方式。客户端通过REST协议与服务器进行交互，获得后台系统算法分析得出的数据结果，从而为用户的临床诊断勾画提供辅助。外部接口是服务器与PACS系统之间进行的数据交互，接口设计遵从DICOM协议标准规范。服务器通过DICOM协议与PACS系统进行通信，接收PACS系统传输的DICOM 格式数据并进行分析处理，最后将分析处理的图像数据回传到PACS服务器中进行存储归档。

1.3 安全性设计

系统安全性设计涵盖网络安全和数据安全两个方面。

在网络安全方面，系统部署于医院内网，并通过防火墙、防病毒软件等安全设备保障运行环境的安全。

在数据安全方面，系统采用账号密码认证和用户权限管理机制，确保只有被授权的用户才能访问相应数据；此外，系统仅允许通过Web客户端浏览器进行数据访问，进一步提高了数据的安全性。

2 系统功能实现

人工智能，特别是深度学习技术，已在自然语言处理、模式识别、图像识别、语音识别等领域取得显著成效。与传统方法相比，深度学习在特征学习、鲁棒性、泛化能力以及通用性等方面具有明显优势。深度学习技术能够自动提取数据的特征，无须人工干预，从而大幅度降低了特征工程的复杂性和对专业知识的依赖[4]。同时，基于深度学习的图像分割方法能够使用多种方式自动提取更丰富的特征信息，在器官分割中具有快速、准确、可靠等优势，已逐渐成为图像分割领域的首选方法[5]。

放疗靶区自动勾画系统基于深度学习技术，能够实现简单一键轻松勾画。在PACS系统将患者图像信息传输到该系统后，放疗科医生只须点击勾画按键，即可实现OAR、GTV、CTV的自动勾画，而放疗科医生只须进行少量修改甚至某些器官无须修改即可完成。但任何自动勾画技术只能辅助临床诊疗，图像在经自动勾画处理后，必须经人工审核及修改后才能用于患者的治疗[1，6-7]。

系统包括勾画客户端和系统管理端两部分，实现用户权限管理、影像组学分析、影像数据获取、肿瘤区域标定、肿瘤区域分割、肿瘤特征提取和量化、影像数据库建立、辅助靶区勾画等功能。系统功能结构如图1所示。

2.1 勾画客户端主要功能

1） 用户访问控制。用户通过用户名和密码登录客户端系统，若输入错误系统会提示错误信息。管理员可对用户角色及权限进行配置，根据不同用户角色配置不同的功能权限。

2） 影像数据管理。影像数据管理包括公共数据集和个人数据集两种数据集的管理。

公共数据集：公用数据的存储空间，存放系统与大型医疗设备直联获取的影像，或与PACS系统对接获取的影像，并按来源对影像设备进行分类管理。管理员在后台对公共数据集进行配置，使获得授权的用户能查看公共数据集中的数据，并能进行勾画、修改、删除等操作。

个人数据集：用户个人的数据存储空间，用户可新建、编辑或删除个人数据集中的文件夹，实现对影像数据的个性化管理。系统支持用户将公共数据集中的数据归档到个人数据集，或从移动存储介质拷贝影像存入个人数据集的不同文件夹。

3） 影像勾画。影像勾画是系统的核心功能，包含多种专业性的医学影像分析处理和勾画工具，主要用于系统性地显示放疗影像以及对肿瘤靶区进行定位勾画。在临床诊疗过程中，放疗科医生结合患者影像，并借助系统自动识别其日常阅片和影像勾画习惯的性能，能准确划定出患者的肿瘤范围，为后续给患者实施肿瘤放射治疗提供了高效准确的技术性支持。影像处理和勾画工具主要包括断层影像滚动、三维影像融合、影像联动设置、画笔、替换、反向替换、笔刷、圆形轮廓、复制轮廓层、撤销轮廓编辑、擦除轮廓等。

4） 影像融合。影像融合功能可以将每位患者多种成像模式的影像信息结合在一起，即将患者在不同影像设备、不同时期所做的检查图像结合起来。通过空间位置的匹配，并结合各种不同类型模态图像的优点和特征信息[8]，使临床医生能够同时浏览多种形式的图像，从而针对患者的病情进行精准定位和快速综合分析。

系统能实现不同类型三维影像之间的相互融合，包括两种CT设备影像、两种MR设备影像、CT设备影像与MR设备影像等不同模态三维影像之间的融合。为方便临床医生操作，系统影像融合界面包括三个区域：影像信息区、工具区和图像显示区。

影像信息区：包含患者数据、信息以及相关操作等内容，如患者姓名、图像总数和图像序列描述、数据结构图等属性。用户可在此区域选择查看被加载和选中序列的影像详情，进而选择具体的序列在显示区进行图像展示。

工具区：包含图像浏览过程中的常规基本处理工具，如显示和隐藏信息层、显示和隐藏十字线、设置窗宽和窗位、缩放、拖动、放大镜、重置等。

图像显示区：主要以多平面重建（Multi-Planar Re⁃ construction，MPR） 方式呈现当前需要融合的两个序列的图像。MPR是指先将扫描范围内所有轴位图像叠加起来，再对某些标线标定的重组线所制定的组织进行冠状面、矢状面、横断面图像显示。两个序列图像在同一个空间创建MPR，默认只显示一个二维横断面视图、二维矢状面视图和二维冠状面视图[7]，用户也可根据实际需要更改显示设置。

5） 辅助靶区勾画。辅助靶区勾画功能主要包括全身OAR自动勾画、多癌种GTV、CTV勾画、对肿瘤区域进行标定、分割、肿瘤特征的提取和量化、勾画显示、手动勾画、个性化勾画等。

2.2 系统管理端主要功能

1） 管理员访问控制。系统可设置一个超级管理员账号，该账号拥有所有权限，且不可被删除。所有子账号都在该账号管理下操作，所有子账号的创建、删除等权限都通过超级管理员账号授予。

2） 机构管理。机构管理用于管理机构和科室。系统可显示医院和科室的详情介绍，包括医院的概况和员工清单、每个科室的基础信息和科室人员列表等信息。管理员可根据实际情况对机构或科室信息进行编辑、添加、删除等维护操作。

3） 数据与设备管理。主要包括对公共数据集、影像设备、接收器、规则等内容的管理。公共数据集管理用于对公共数据进行分类管理，能显示公共数据集列表和公共数据集的基础信息，便于管理员查询和管理公共数据。设备管理用于管理接入系统的影像设备，系统能显示设备列表以及设备名称、IP地址、端口号等基础信息，便于管理员对影像设备进行增、删、改、查等维护管理操作。接收器管理能显示接收器列表及其基础信息，包括接收器的名称、端口号、创建时间等内容。规则管理用于管理数据传输规则，管理员可自定义数据传输相关规则，根据需要设置规则名称、准入设备等条件，以及定义OAR的模板和数据自动导出的参数。

4） 用户管理。系统提供了用户权限分级分类管理，用以保障系统分级授权审批和数据安全，支持权限从高到低的系统管理员、高级用户和普通用户三种用户类型，且低级别的用户不能创建高级别的用户。

5） 结构管理。主要包括勾画设置、结构设置、模板设置等功能。勾画设置提供CTV设置选项，管理员可根据临床实际工作需要创建某个科室专用的、与检查明细关联的CTV。结构设置分类型详细列出系统支持的所有OAR，管理员可根据需要通过结构名称或代码来搜索对应的OAR结构，并可根据个人习惯修改备注、类型或颜色等参数。模板设置提供OAR模板设置功能，管理员可根据临床实际工作需要创建某个科室专用的模板。

6） 系统管理。主要包括系统快捷方式设置、挂片布局设置、窗宽和窗位设置、勾画设置及头颈部CT显示参数、通用配置、后处理功能、头颈部CT显示参数、MR序列定义等高级功能设置。

7） 日志管理。日志管理用于记录用户日常操作和系统运行状况，回溯历史信息。管理员可在操作日志中通过设置操作模块、操作时间范围等条件来查询用户曾在系统上执行过的操作，根据日期查询系统运行日志，以便在系统出现问题时能快速准确地定位原因，提高问题处理效率。

8） 意见管理。意见管理支持显示意见列表，管理员可在意见管理界面统一管理用户反馈的意见，根据提交的用户名称和时间范围查询意见信息。

3 结束语

本文从深度学习在医学图像分割中的优势，以及传统手动肿瘤勾画的弊端和精准放疗需求进行切入，引入了放疗靶区自动勾画系统在放射治疗中的优势与作用，介绍了该系统的设计与核心功能实现。与依赖医生经验且存在主观差异的手动勾画相比，自动勾画方法可显著减轻医生工作量，提高勾画效率和一致性，具有更高的临床应用价值[9]。

放疗靶区自动勾画系统的引入不仅提高了临床肿瘤靶区勾画的效率，减轻放疗科医生工作负担，加速放疗准备阶段，使患者能更快接受治疗[10-12]，提高影像勾画的精准度和患者满意度，同时也满足科室的临床应用及科研需求，提升了放疗科医、教、研、防等各项工作的质量和效率。未来将继续加强深度学习技术在提高鲁棒性和泛化能力、优化实时性能、提高肿瘤靶区勾画精准度等方面的研究，使其更适用于实际应用场景。