李 霞 劉 婭 王 聰 李振江

1.山東省菏澤市立醫(yī)院，山東菏澤 274000；2.山東省腫瘤醫(yī)院 山東省腫瘤防治研究院，山東濟南 250012

磁共振影像（magnetic resonance images，MRI）已成為宮頸癌ⅠB1 期及以上期別的標準診療方法，在影像診斷和腫瘤邊界鑒別方面有獨特優(yōu)勢[1-2]，并可提供治療評估及預后信息[3-4]。研究表明，基于MRI 確定的靶區(qū)，其體積要明顯小于以常規(guī)電子計算機斷層掃描（computed tomography，CT）確定的靶區(qū)[5-6]。應用MRI 圖像勾畫宮頸癌靶區(qū)，定義腫瘤靶區(qū)并進行局部加量，可將3 年生存率提高10%～20%，同時顯著降低胃腸道和尿道的毒性反應[7]。同時，由于治療過程中腫瘤消退、器官位置變化，對實時快速精確的臨床靶區(qū)（clinical target volume，CTV）和危及器官（organs at risk，OARs）勾畫的要求越來越高。應用深度學習算法較基于圖譜集自動勾畫方法準確性高、適應性廣，并提高輪廓生成速度[8]?；诰矸e神經(jīng)網(wǎng)絡提出的U-Net 體系結(jié)構(gòu)[9-10]，專門為醫(yī)學圖像設計，需要的網(wǎng)絡參數(shù)較少，訓練過程快。目前應用MRI 使用深度學習算法實現(xiàn)CTV 和OARs 勾畫，在宮頸癌放療中仍處于研究階段。本研究使用U-net 卷積神經(jīng)網(wǎng)絡算法架構(gòu)，以MRI 為基礎，建立宮頸癌感興趣區(qū)（region of interest，ROI）自動分割算法，并比較手動勾畫與自動勾畫的差異，擬為MRI 引導適應性放射治療提供自動勾畫技術支持。

1 資料與方法

1.1 一般資料

選取2019 年4 月至2020 年12 月山東省腫瘤醫(yī)院根治性放療宮頸癌患者43 例。患者年齡20～65 歲，平均（48.6±9.6）歲；鱗癌34 例，腺癌9 例；國際婦產(chǎn)科聯(lián)盟（Federation of Gynecology and Obstetrics，F(xiàn)IGO）[4]分期為ⅡB 期13 例，Ⅲ期28 例，ⅣA 期2 例。納入標準：ⅡB～ⅣA 期的宮頸癌根治性同步放化療患者，放療前進行大孔徑MR 定位，定位圖像質(zhì)量高，膀胱憋尿量為200～600 ml。排除標準：不能正?；顒?；具有MR 掃描禁忌證；既往盆腔手術或放療史；合并盆腔其他良惡性疾病或畸形。本研究已獲機構(gòu)審查委員會批準（SDTHEC 201904001）。

1.2 定位方式及圖像采集

患者取仰臥位并使用負壓袋固定，治療前行大孔徑MR 定位。定位前充盈膀胱，排空直腸，掃描層厚3 mm。MR T2 序列分辨率352×352。每例患者獲得80～120 張盆腔MR T2 壓脂序列采集圖像，圖像覆蓋整個盆腔放療野。

1.3 圖像注釋

采用計算機進行簡單隨機抽樣，將43 例患者分為訓練集35 例，驗證集4 例，測試集4 例。由1 名有經(jīng)驗的婦科放療醫(yī)師根據(jù)美國放射腫瘤學會[10]的宮頸癌靶區(qū)推薦及放射治療腫瘤組正常組織輪廓放射治療指南[11]進行人工勾畫ROI，包括CTV 和4 個OARs（膀胱、直腸、左股骨頭、右股骨頭），1 名有經(jīng)驗的婦科放療醫(yī)師復核。

1.4 基于訓練數(shù)據(jù)集的U-net 模型開發(fā)

本研究網(wǎng)絡輸入為單層MRI 和勾畫數(shù)據(jù)，輸出為所對應的勾畫數(shù)據(jù)，使用同一個模型進行訓練。訓練集中的數(shù)據(jù)用于訓練模型，驗證預測數(shù)據(jù)與實際數(shù)據(jù)的差異，評價模型訓練的結(jié)果。測試集不參與訓練和驗證過程，作為獨立的驗證手段，用于驗證模型的適用性和魯棒性。

1.4.1 圖像取樣 訓練集圖片3 655 張，驗證集圖片340 張，將所有的數(shù)據(jù)重復取樣到（1.0，1.0，None）的體素后每次在單層數(shù)據(jù)中截取320×320 大小的圖像輸入網(wǎng)絡中。為獲得更多的數(shù)據(jù)量，避免模型過擬合，在輸入數(shù)據(jù)前對圖像數(shù)據(jù)進行圖像灰度浮動及圖像縮放形變兩種干擾[8]。在灰度浮動途徑中，將圖像上所有點的灰度值乘0.9～1.0 的隨機數(shù)，后疊加1 個-0.1～0 的隨機數(shù)?？s放形變途徑是將每一層的MRI圖像和勾畫進行仿射變換，所使用變換矩陣中任意兩個點之間的坐標值之差均在-0.2～0 的一個固定值，其中橫縱坐標分別為不同大小的值。

1.4.2 網(wǎng)絡構(gòu)建 采用帶有殘差塊的U-net 網(wǎng)絡結(jié)構(gòu)（圖1），包括編碼器和解碼器兩部分，且均由兩個卷積層的殘差塊堆疊而成，編碼器和解碼器之間使用特征圖躍層連接，融合高層語義信息和低層的邊緣細節(jié)信息。在訓練期間，在線進行縮放、旋轉(zhuǎn)、對比度亮度增強、高斯噪聲等增強手段，并采用標簽平衡方法對輸入樣本進行窗口采樣。訓練所使用的損失函數(shù)為Dice Loss，優(yōu)化器為Adam，學習率為3e-4。

圖1 殘差U-Net 網(wǎng)絡結(jié)構(gòu)示意圖

1.5 觀察指標

在測試數(shù)據(jù)集中分別計算Dice 相似性系數(shù)（Dice similarity coefficient，DSC）和勾畫時間，并對自動勾畫和人工勾畫的相似性進行比較。DSC 定義為DSC（A，B）=2A∩B/（A+B），其可對兩個感興趣區(qū)勾畫的相似度進行測量[9]。DSC 值為0～1，其中1 為完全重疊，0 為無重疊；DSC≥0.7 時被認為是輪廓之間具有較好的一致性[9,12]。

1.6 統(tǒng)計學方法

采用SPSS 26.0 軟件進行數(shù)據(jù)分析。計量資料用均數(shù)±標準差（±s）表示，組間比較采用t 檢驗；計數(shù)資料用例數(shù)表示。以P <0.05 為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 模型訓練評價

模型訓練的Loss 曲線和驗證DSC 曲線如圖2 所示。訓練前期Loss 曲線下降明顯，800 次迭代時Loss值＜0.1，之后緩慢下降。DSC 值前期提升明顯，迭代到達800 次之后開始震蕩上升，在3 600 次時達到了最優(yōu)值。

圖2 訓練過程中模型的Loss 曲線和DSC 曲線

如圖3 所示，在訓練前期，膀胱已經(jīng)有較好的效果，但CTV、股骨頭的分割效果還有待改進，直腸在不同的切片上表現(xiàn)不一。隨著訓練的進行，這些ROI的輪廓完整性、平滑度及勾畫精準度都有不同程度的提升。

圖3 模型訓練過程中預測輸出變化

2.2 自動勾畫與人工勾畫耗時及DSC 值比較

患者平均自動勾畫耗時為（44.5±0.6）s，短于平均人工勾畫的（2 280.0±356.7）s，差異有統(tǒng)計學意義（P <0.05）。自動勾畫與人工勾畫的DSC 值：直腸為（0.752±0.049）；CTV 為（0.831±0.038）；膀胱為（0.943±0.016）；左股骨頭為（0.894±0.009）；右股骨頭為（0.896±0.004）。

3 討論

放射治療的目標是動態(tài)跟蹤腫瘤的變化，但僅依賴放療前CT 來捕捉這種變化在治療過程中是不全面的[13]。MR 引導放射治療允許在治療過程中進行運動監(jiān)測，通過實時解剖成像來提高放療精度。MR 軟組織對比度較CT 更優(yōu)，精度更高[14-15]。人工勾畫每例患者的中位時間要超過1 h[16]，隨著自動勾畫出現(xiàn)及發(fā)展使更頻繁的計劃調(diào)整得以實施[17-18]。自動勾畫在提高臨床醫(yī)生效率，減少勾畫不確定性等方面均有優(yōu)勢[19-22]。

研究顯示，基于深度學習算法對OARs 自動勾畫準確度優(yōu)于基于患者圖譜庫的方法[23-24]；U-net 在性能和速度方面優(yōu)于以往的其他分割方法[25-27]。本研究基于U-net 卷積神經(jīng)網(wǎng)絡算法，以MRI 圖像為基礎，構(gòu)建宮頸癌自動勾畫模型，并與人工勾畫結(jié)果進行比較。本研究結(jié)果顯示，自動勾畫與人工勾畫DSC 值最小為直腸（0.752±0.049），該結(jié)果與Wang 等[25]研究結(jié)果相似?？赡苁且驗橹蹦c是個體差異最大的器官，故DSC 值較低。同時本研究中CTV 勾畫也得到了比較理想的結(jié)果，應用構(gòu)建模型自動勾畫ROI 后對CTV及直腸勾畫進行適度修改，膀胱、股骨頭勾畫較少修改后即可應用于MR 自適應放射治療過程，提高工作效率。在精準勾畫ROI 的同時降低患者長時間等待勾畫過程中的出現(xiàn)器官運動導致靶區(qū)變動。有助于個體化精確放療，在提高靶區(qū)照射劑量的同時降低OARs 受量。

本研究存在不足：患者入組樣本量少，且多為局部晚期患者；治療范圍內(nèi)影像學表現(xiàn)有差異，導致ROI勾畫有個體差異。在之后的研究中將在增加入組量的前提下縮小入組期別差異，以期得到更精確的適用模型，針對性應用提高靶區(qū)勾畫效率。研究入組圖像為定位MRI，圖像質(zhì)量及后續(xù)數(shù)據(jù)處理也有待進一步提高。

綜上所述，基于U-net 卷積神經(jīng)網(wǎng)絡的MRI 圖像深度學習算法，自動勾畫效率高，與人工勾畫的差異較小，有助于提高工作效率，協(xié)助MR 引導在線適應性放射治療實施具有較高的臨床應用價值。