基于深度学习自动分割模型乳腺癌放疗临床应用与评价

目的 将深度学习算法与商用计划系统整合,建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法 入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型,建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系,进行逐层分析。结果 左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm,左/右乳腺癌OARs平均总体DSC和AHD范围为0.86~0.97和0.89~9.38mm。对CTV和OARs进行逐层分析,达到0.90以上表示医生只需要较少修改甚至不用修改的层面,左右乳腺癌的CTV勾画占比约44.7%的层面,OARs自动勾画占比范围为50.9%~89.6%。对于DSC_s<0.7,在两侧边界区域(层位置0~0.2和0.8~1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降,且越靠近边缘降低程度越明显。脊髓采用全层勾画,未发现有特殊区域出现DSC_s明显下降。结论 建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域,勾画的一致性下降较明显,有待进一步提高。     

基于深度学习宫颈癌靶区自动分割勾画临床研究

目的 验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法 选取 535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治 4例及术后 6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果 数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论 基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。     

前列腺癌术后放疗靶区自动勾画人工智能模型构建

目的探索基于卷积神经网络构建前列腺癌术后放疗临床靶区(CTV)及部分危及器官(OAR)自动勾画模型的方法, 以提高临床工作效率和靶区勾画统一性。方法回顾性分析由一位放疗医师勾画的117例前列腺癌术后患者CT资料, 基于3D UNet设计多分类自动勾画模型CVT-UNet, 采用戴斯相似系数(DSC)、95分位豪斯多夫距离(95%HD)和平均表面距离(ASD)评估模型分割能力, 比较另外两位医师对测试集自动勾画靶区评估结果的差异。再随机收集78例由其他医生治疗的患者进行模型外部验证, 比较两位医师评价的差异。结果测试集前列腺瘤床区(CTV1)、盆腔淋巴结引流区(CTV2)、膀胱和直肠的平均DSC分别为0.74、0.82、0.94和0.79。临床评分显示:两位医师对CTV2和OAR的勾画达成了更多的共识;而对CTV1的勾画则共识较少, 故评分差异较大。结论基于卷积神经网络构建用于术后前列腺癌CTV及相关OAR的自动勾画模型可行, 但前列腺瘤床区的自动分割仍需改善。     

宫颈癌自适应放疗中基于自配准与图谱库的自动勾画比较

目的 分析MIM软件在宫颈癌自适应放疗中基于自配准与图谱库的自动勾画的可行性与准确性。方法 选取60例宫颈癌患者的CT图像及勾画结果建立Atlas模板库。随机选取15例宫颈癌患者初次计划CT (pCT)与重新计划CT (rCT),由资深临床医师勾画CTV和危及器官。分别以刚性和形变两种配准方式将pCT的勾画传送到rCT图像上;并对各rCT图像行基于Atlas模板库的自动勾画,统计3种方法所需时间。利用Dice相似性系数(DSC)、交叉指数(OI)、Hausdorff平均距离(AHD)、质心距离(DC)评价勾画结果,并进行单因素方差分析。结果 Atlas组、刚性组和形变组完成1例所需平均时间分别为89.2、22.4、42.6 s。对于CTV和直肠的DSC、OI和AHD,刚性组和形变组与Atlas组之间不同(P<0.001),小肠的OI在刚性组和形变组与Atlas组之间有不同, CTV的DSC平均值分别为0.89(刚性组和形变组)、0.76(Atlas组)。对于膀胱、盆骨和股骨头,形变组的勾画结果最优。结论 形变组的勾画结果优于刚性组和Atlas组,3种勾画方式均能快速地完成靶区和危及器官的自动勾画。     

增强轮廓约束的自动分割模型在乳腺癌术后放疗中的应用研究

目的 构建端到端深度学习研究平台,实现乳腺癌改良根治术后胸壁临床靶体积(CTV)和危及器官(OAR)自动分割模型训练,并通过轮廓约束以改进损失函数来提高模型的分割精度.方法 入组2018-01-16-2020-07-29北京大学人民医院(115例)和烟台毓璜顶医院(58例)左侧乳腺癌改良根治术后患者,前者随机分为70例...     

自动分割技术在鼻咽癌靶区及危及器官勾画应用价值的研究

目的 基于深度反卷积神经网络(DDNN)自动分割技术,探讨其在鼻咽癌靶区和危及器官(OAR)辅助人工勾画的应用价值。方法 利用已完成治疗的 800例鼻咽癌患者的CT信息,构建基于DDNN算法的端到端自动分割模型,选取 10例新的鼻咽癌患者作为研究测试集。通过比较10名初级医师在自动勾画基础上辅助人工勾画(DLAC)与单纯人工勾画(MC)的精确度系数(DICE)、平均一致距离(MDTA)、变异系数(CV)、标准距离偏差(SDD)、勾画时间等参数以评估自动勾画的效果。结果 在DLAC组,GTV、CTV的DICE分别为 0.67±0.15、0.841±0.032,MDTA分别为(0.315±0.23)、(0.032±0.098)mm,显著优于MC组(P<0.001)。除脊髓、左右晶体、下颌骨外,DLAC组其他OAR的DICE高于MC组,其中下颌骨最高,视交叉最低。此外,相较MC组,DLAC组GTV、CTV、OAR的CV、SDD均显著降低(P<0.001),总勾画时间节省63.7%(P<0.001)。结论 与MC相比,基于DDNN建立的DLAC能更为准确地实现鼻咽癌GTV、CTV和OAR的勾画,可大幅提高医师工作效率及勾画一致性。     

头颈部肿瘤放疗单模板自动轮廓勾画软件的应用

目的探讨单模板自动轮廓勾画软件(atlas-based auto segmentation,ABAS)在头颈部肿瘤调强放疗(intensity modulated radiation therapy,IMRT)计划中器官轮廓勾画的准确性及其相关因素。方法选取中山大学肿瘤防治中心2013-06-01-2013-12-31收治的50例头颈部肿瘤患者资料进行回顾性分析,将1例体征参数接近中位平均值的患者CT平扫图像〔已完成14种危及器官(organs at risk,OARs)轮廓手动勾画并经临床确认〕导入ABAS软件作为通用模板,对软件自动生成与临床确认的器官轮廓计算形状相似性指数(dice similarity coefficient,DSC),并统计相应勾画时间。依照患者体征(身高、体质量、头径、颈径和体表面积)对各器官DSC值进行等间距分组,采用SPSS 17.0进行单因素方差分析。对体征差异过大的患者分别基于通用模板和个体化模板进行自动勾画并通过配对样本t检验比较两者差异性。结果采用通用模板的大体积组和小体积组DSC均值分别为0.84±0.08和0.03±0.03,差异有统计学意义,t=27.806,P<0.001;中体积组DSC值为0.80±0.12,与小体积组相比差异有统计学意义,t=22.848,P<0.001。单因素方差分析结果证实,颞叶DSC值与患者头径体征存在相关性(颞叶-L:F=4.245,P=0.006,颞叶-R:F=4.264,P=0.006),差异有统计学意义;腮腺DSC值与患者头径体征亦存在相关性(腮腺-L:F=2.934,P=0.043,腮腺-R:F=3.163,P=0.034),差异有统计学意义。体征参数差异大患者分别采用通用模板和个体化模板进行自动勾画的脑干DSC值分别为0.75±0.08和0.82±0.06,差异有统计学意义,P=0.045。双侧颞叶DSC值分别为0.75±0.09、0.74±0.08和0.83±0.06、0.84±0.05,差异有统计学意义(颞叶-L:P=0.018,颞叶-R:P=0.041)。双侧腮腺DSC值分别为0.74±0.04、0.78±0.04和0.84±0.05、0.86±0.06,差异有统计学意义(腮腺-L:P=0.001,腮腺-R:P=0.001)。双侧内耳DSC值分别为0.67±0.11、0.66±0.12和0.77±0.09、0.79±0.13,差异有统计学意义(内耳-L:P=0.019,内耳-R:P=0.029)。单例患者ABAS软件用时约4~5 min,医生手动修改约为10~25 min,纯粹手动勾画约90~150min。结论基于通用模板的ABAS软件对头颈部多数OARs自动勾画结果较好,但对于特异性体征患者建议设计个体化模板以提高自动勾画准确性。小体积器官推荐临床医生手动勾画。临床应用单模版ABAS可以明显节约医生正常组织勾画时间,提高工作效率。     

基于参考图像的ABAS软件自动勾画技术在头颈部肿瘤中的应用研究

目的 评估ABAS软件对头颈部肿瘤自适应调强放疗患者基于CT图像自动勾画靶区与危及器官轮廓的吻合度.方法 对随机抽取的10例已勾画轮廓的头颈部肿瘤患者设计两种形变自动勾画方式,第1种对每例患者进行基于各自CT图像的形变自动勾画,第2种是随机抽取2例患者CT图像作为参考进行其余8例的形变自动勾画.利用形状相似性系数(DSC)及交叉指数(OI)评估自动勾画与人工勾画的吻合性,并行两种勾画方式差异配对t检验.结果 第1种的所有器官DSC和OI值均＞0.80,下颌骨均最高(＞0.91).大体肿瘤体积DSC值最低(0.81),临床靶体积的为0.82;而临床靶体积OI值最低(0.79),大体肿瘤体积的为0.82.第2种的只对危及器官进行勾画并将脊髓和脑干综合起来分析,所有DSC均在0.70左右,下颌骨DSC和Ol值均较高,这与其骨性解剖结构密切相关.第2种勾画结果中绝大多数明显低于第1种的(t =3.24 ～8.26,P=0.014 ～0.000),只有右腮腺接近有统计学意义水平(t=2.08,P=0.075).结论 ABAS软件用于自适应调强放疗患者的内部轮廓勾画可达到非常满意结果,而对常规调强放疗患者轮廓勾画应仔细选择参考图像以最大限度满足临床需要.     

基于深度学习的宫颈癌放疗靶区及危及器官自动勾画研究

目的:构建基于深度学习（deep learning，DL）的卷积神经网络模型，实现宫颈癌患者放射治疗计划的临床靶区体积（clinical target volume，CTV）和危及器官（organ at risks，OARs）自动勾画。方法:回顾性分析在福建省肿瘤医院行放射治疗的宫颈癌患者99例。对患者CT图像进行预处理，作为模型输入。设计一种基于DL的自动勾画模型，使用组合损失函数训练该模型。以医师手动勾画为度量标准，计算DL自动勾画模型下CTV靶区和膀胱、直肠、乙状结肠、左右骨髓、左右股骨头的准确率，并与基于图谱的自动勾画方法（atlas-based auto segmentation，ABAS）相比较。结果:DL模型在CTV靶区和7种危及器官（膀胱、直肠、乙状结肠、左右骨髓、左右股骨头）的戴斯系数分别为（0.85±0.02、0.94±0.04、0.87±0.03、0.67±0.14、0.85±0.03、0.87±0.03、0.87±0.06和0.87±0.06），95%豪斯多夫距离(mm)分别为（3.22±0.56、1.37±0.37、1.41±0.34、27.39±35.63、1.40±0.17、1.36±0.22、6.78±7.89和6.45±7.44），平均表面距离(mm)分别为（0.25±0.05、0.12±0.06、0.19±0.05、2.29±2.71、0.16±0.04、0.15±0.03、0.36±0.33和0.38±0.37）。DL勾画模型的戴斯系数均高于ABAS勾画模型。除乙状结肠外，DL勾画模型的95%豪斯多夫距离和平均表面距离均小于ABAS勾画模型。结论:提出的DL模型能较好地实现宫颈癌放疗临床靶区和危及器官的自动勾画，可为临床医师勾画提供初步参考，节省临床靶区和危及器官勾画的时间。     

基于多任务学习的轻量级卷积神经网络在肺部危及器官自动分割中的应用研究

目的 研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法 MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集 497例肺癌病例,以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本,随机划分 300例用于训练与验证,197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC),与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响,按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN),使用相同数据训练与测试,统计并对比两者DSC。结果 MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020,训练与测试时长是Unet、DeepLabv3+的1/3~1/30,S分别为Unet、DeepLabv3+的 1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002,脊髓平均值相差0.001,但标准差却比MTLW-CNN高0.014。结论 MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画,不仅可以提高模型应用效率,还有利于提高模型的泛化性能。     

Automatic segmentation of thoracic CT images using three deep learning models

PurposeDeep learning (DL) techniques are widely used in medical imaging and in particular for segmentation. Indeed, manual segmentation of organs at risk (OARs) is time-consuming and suffers from inter- and intra-observer segmentation variability. Image segmentation using DL has given very promising results. In this work, we present and compare the results of segmentation of OARs and a clinical target volume (CTV) in thoracic CT images using three DL models.Materials and methodsWe used CT images of 52 patients with breast cancer from a public dataset. Automatic segmentation of the lungs, the heart and a CTV was performed using three models based on the U-Net architecture. Three metrics were used to quantify and compare the segmentation results obtained with these models: the Dice similarity coefficient (DSC), the Jaccard coefficient (J) and the Hausdorff distance (HD).ResultsThe obtained values of DSC, J and HD were presented for each segmented organ and for the three models. Examples of automatic segmentation were presented and compared to the corresponding ground truth delineations. Our values were also compared to recent results obtained by other authors.ConclusionThe performance of three DL models was evaluated for the delineation of the lungs, the heart and a CTV. This study showed clearly that these 2D models based on the U-Net architecture can be used to delineate organs in CT images with a good performance compared to other models. Generally, the three models present similar performances. Using a dataset with more CT images, the three models should give better results.     

基于混合注意力U-net全脑全脊髓临床靶区自动勾画

目的:在U-net卷积神经网络基础上设计出混合注意力U-net (HA-U-net)网络用于全脑全脊髓临床靶体积(CTV)自动勾画,并与U-net自动分割模型分割结果进行比较。方法:研究回顾了110例全脑全脊髓患者数据,选择80例用于训练集,10例用于验证集,20例作为测试集。HA-U-net以U-net为基准网络,在...     

基于图谱库的ABAS自动勾画软件在头颈部肿瘤中的可行性研究

目的 测试并评估自动轮廓勾画ABAS软件在自动勾画头颈部肿瘤OAR轮廓的几何精度。方法 将已进行IMRT的头颈部患者40例作为ABAS软件的患者图谱库。另选择40例新患者作为测试图像,采用单模板即1对1和多模板即10对1的两种勾画方式对其CT图像进行相关OAR的自动勾画。分别通过比较自动勾画与手工勾画的体积差异(ΔV%)、位置差异(Δx、Δy、Δz)、形状一致性(S_e、S_p、DSC)和勾画时间来评估自动勾画方式应用于临床的可行性,并行两种自动勾画方式差异的配对t检验。结果 单模板和多模板两种自动勾画方式OAR平均体积偏差分别为(-0.16±0.41)%和(-0.02±0.29)%(P=0.000),平均DSC值分别为0.68±0.20和0.74±0.16(P=0.01),并且两组自动勾画差异有统计学意义(P<0.05)。两组自动勾画的位置差异在3个方向上均<0.4 cm,除了颞叶、下颌骨和脊髓。ROC曲线中除了视神经和视交叉大部分OAR结果均落在第一象限区域,自动勾画时间比手工勾画节省了42%~72%。结论 基于图谱库的ABAS自动勾画软件,对头颈部肿瘤患者大部分OAR能达到满意自动勾画结果,其中以多模板的自动勾画效果更佳,此外还可大大缩短临床医生用在器官勾画时间。     

ABAS软件勾画OAR临床前测试重要性研究

目的 对基于模板自动分区(ABAS)算法的图像勾画软件进行临床前测试,评估鼻咽癌放疗计划OAR勾画精度,为确定临床应用条件提供依据。方法 以放疗医师在22例鼻咽癌患者放疗计划CT图像上手工勾画的OAR结构为评价标准,分别对ABAS软件两种算法(General和Head/Neck)自动勾画的OAR进行以下测试:(1)每1例患者均拷贝1套图像,以原图像上手工勾画的轮廓为模板在拷贝图像上自动勾画,考察自动勾画对模板的还原能力;(2)以1例患者图像上手工勾画的轮廓为模板,对其余患者图像进行自动勾画,考察采用单一模板对不同患者图像自动勾画的准确度。评价指标包括各OAR的DSC、V_diff、DSC与勾画体积相关性,以及自动勾画加手工修改与单纯手工勾画的耗时差别。Wilcoxon符号秩检验,Spearman相关性分析。结果 Head/Neck算法对模板还原能力优于或相当于General算法,自动勾画DSC与所勾画结构体积大小呈正相关(r_s=0.879、0.939)。还原测试中体积>1 cm³器官自动勾画的DSC>0.8。使用Head/Neck算法基于单一模板的自动勾画中,脑干、颞叶、腮腺、下颌骨的DSC和V_diff平均值分别为0.81~0.90和2.73%~16.02%,颞颌关节和视交叉DSC为0.45~0.49。应用自动勾画加手工修改比单纯手工勾画可以节省68%时间。结论 临床前测试可以确定ABAS算法在特定临床应用条件的准确度和适用范围,所测试软件可帮助提高鼻咽癌放疗计划OAR勾画效率,但不适用于较小体积器官的勾画。     

光子束和电子束在早期乳腺癌患者放疗瘤床加量计划的剂量学研究

Objective

The aim of our study was to assess and compare the potential dosimetric advantages and drawbacks of photon beams and electron beams as a boost for the tumor bed in superficial and deep seated early-stage breast cancer.

Methods

We planned CTs of 10 women with early breast cancer underwent breast conservative surgery were selected. Tumor bed was defined as superficial and deep with a cut of point 4 cm, those with less than 4 cm were defined as superficial tumors representing 4 patients and those with depth of 4 cm or more were classified as deep tumors representing 6 patients. The clinical target volume (CTV) was defined as the area of architectural distortion surrounded by surgical clips. The planning target volume (PTV) was the CTV plus margin 1 cm. A dose of 10 Gy in 2 Gy fractions was given concurrently at the last week of treatment. Organs at risk (OARs) were heart, lungs, contra-lateral breast and a 5 mm thick skin segment of the breast surface. Dose volume histograms were defined to quantify the quality of concurrent treatment plans assessing target coverage and sparing OARs. The following treatment techniques were assessed: photon beam with 3D-conformal technique and a single electron beam.

Results

For superficial tumors better coverage for CTV and PTV with good homogeneity with better CI was found for the 3D conformal radiotherapy (3DCRT) but with no significant planning objectives over electron beam. For deep tumors, the 3DCRT met the planning objectives for CTV, PTV with better coverage and fewer hot spots with better homogeneity and CI. For superficial tumors, OARs were spared by both techniques with better sparing for the electron beam where as for deep tumors also OARs were well spared by both techniques.

Conclusion

Boosting the tumor bed in earlystage breast cancer with optimized photon may be preferred to electron beam for both superficial and deep tumors. The OARs dose sparing effect may allow for a potential long-term toxicity risk reduction and better cosmesis.     

基于卷积神经网络的直肠癌靶区及危及器官自动勾画

目的实现直肠癌靶区和正常组织的自动勾画,提高临床工作效率。方法采用基于卷积神经网络的深度学习方法,架构神经网络,学习并实现自动勾画,比较自动勾画与人工勾画的差异。结果210例直肠癌患者随机分组为190例训练集,20例验证集。测量单个患者完整勾画耗时约10s,CTV的平均Dice为0.87±0.04,其余正常组织的平均Dice均>0.8,CTV的HD指数为25.33±16.05,MDA指数为3.07±1.49,JSC指数为0.77±0.07。结论使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画,提高工作效率。