中国抗癌协会

本期执行主编

王孝深  教授

复旦大学附属眼耳鼻喉科医院

教授、研究生导师

中国抗癌协会鼻咽癌专委会常委

中国医师协会头颈肿瘤专委会常委

CSCO鼻咽癌专家委员会常务委员

世界华人肿瘤放疗协作组副秘书长兼常委

第一或者通讯作者身份发表SCI论文20篇

上海市“住院医师规范化培训”优秀带教老师

2013年教育部科学技术进步奖二等奖

2016年荣获中国抗癌协会科技奖三等奖

2016年美国ASTRO年会“最佳国际论文摘要奖”

应邀在nature reviews clinical oncology杂志发表头颈部肿瘤精确放疗的经验(杂志2020年影响因子已达53.2）

编写美国放疗教科书clinical radiation oncology第18章

王胜资  教授

1983年毕业于上海医科大学医疗系（现为复旦大学医学院）

主任医师、教授、博士研究生导师

1991年获临床医学博士学位

1994年4月-1995年5月期间赴美国Jefferson大学肿瘤中心学习

2004年5月-8月在美国Temple 大学肿瘤中心和 Fox Chase肿瘤中心学习

中华医学会肿瘤放射治疗专业委员会委员

中国抗癌协会肿瘤放射治疗专业委员会委员

中华医学会肿瘤放射治疗专业委员会委员

中国抗癌协会鼻咽癌专业委员会委员

上海医学会肿瘤放射治疗专业第5-7届委员会副主任委员

上海市抗癌协会头颈肿瘤专业委员会副主任委员

上海市医疗事故鉴定专家组成员

《中国眼耳鼻喉科杂志》《中华肿瘤防治杂志》《实用肿瘤杂志》编委

以第一作者和通信作者在国内外期刊发表专业论文80余篇,其中SCI论文30余篇，参编著作10部，主编著作2部

第五期

王孝深教授、王胜资教授力荐：《人工智能在头颈部肿瘤靶区和危及器官勾画方面的研究进展》

本文作者：复旦大学附属眼耳鼻喉科医院   倪晓晨  

倪晓晨

复旦大学附属眼耳鼻喉科医院放疗科

物理师、物理组副组长

清华大学生物医学工程硕士

中国生物医学工程学会精确放疗技术分会放射物理学组青年委员

上海市医学会肿瘤放射治疗专委会医学放射物理学组副组长

上海市抗癌协会放射治疗专业委员会青委会委员

正文如下

       近年来随着直线加速器相关硬件制造技术以及医学影像诊断技术的不断发展，放射治疗正朝着“精确定位，精确计划，精确治疗”的精确放疗方向发展。精准的勾画肿瘤靶区和危及器官（OARs）的轮廓是实现精确放射治疗的前提和保障。

传统手工勾画方法的局限性

       据一项调强放疗研究表明，采用传统的手工勾画方法，平均每例鼻咽癌的靶区和危及器官勾画需花费一名经验丰富的高年资医生2.7小时的工作时间。由于头颈部危及器官众多，导致危及器官的勾画时间约占总勾画时间的1/3~1/2。而且传统的手工勾画过程中，不同医生之间的靶区勾画结果也会有差异，甚至同一名医生在不同时段勾画的结果也会不同。这就给临床治疗的质量控制带来了很大的影响。而近几年的研究热点之一肿瘤靶区和危及器官的自动分割勾画技术正是解决上述问题的有效手段。自动分割勾画技术旨在节约勾画时间，并提高勾画的一致性。目前最主要的两种自动勾画技术分别是基于图谱库（Atlas）和深度学习（DeepLearning, DL）的自动勾画方法。

基于图谱库模型的自动勾画

       建立图谱库模型最关键的是需要大量已勾画完成的肿瘤靶区和危及器官的图像，通过图像训练，构建与软件相对应的对比数据模板影像库，采用刚性和形变配准的方法实现肿瘤靶区和危及器官的自动勾画。基于图谱库的自动勾画方法优势在于充分利用计算机资源，大量节省了传统的手工勾画时间。但需要使用者自己建立不同的勾画模型，建立模型的图谱数量及勾画精度会直接影响后续自动勾画的效果，并且对于不同解剖部位、不同组织结构以及不同的危及器官，其自动勾画的效果差异明显，所有的自动勾画结果都需进行人工修正，并经临床医生确认勾画满足临床需求后才可应用于临床使用。构建图谱库模型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。 目前在肿瘤放疗科常用的放射治疗计划系统（Treatment Planning System, TPS）中，已经有多个基于图谱库的自动分割勾画软件功能模块投入临床使用，包括Eclipse Smart segmentation软件模块、Pinnacle3 MBS（Model-based Segmentation）软件模块、Elekta ABAS（Atlas-Based Autosegmentation）软件模块、RayStationRay Deformable软件模块和MIM Maestro软件模块等。

基于深度学习的人工智能自动勾画

       人工智能( Artificialintelligence,AI)是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多学科研究的基础上发展起来的综合性极强的前沿交叉学科，近年来在肿瘤精确放疗领域的也得到了快速的发展和应用。机器学习( Machinelearning,ML) 是人工智能的主要实现方法。而深度学习( Deep Learning, DL)是机器学习中一种基于对数据进行表征学习的方法，源自对人工神经网络的研究，由Hinton等人于2006年提出，其主要用于建立模拟人脑进行学习和分析的神经网络。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，已经成功应用于计算机视觉和语音识别等方面。基于深度学习的自动分割勾画在医学图像分割领域与传统方法相比具有显著的优势，对于头颈部肿瘤患者的靶区和危及器官勾画，基于深度学习方法的自动勾画具有更高的准确度。基于深度学习的模型有很多，目前在医学图像分割处理领域，使用较多且效果较好的网络模型主要为以下几个：

卷积神经网络

       卷积神经网络（Convolutional Neural Network,CNN）于1980 年由Fukushima 提出，在医学图像处理领域中应用极为广泛，是由一个或多个卷积层或全连通层组成的神经网络，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。这一结构使得卷积神经网络能够直接使用输入数据的二维或三维结构，利用计算机的GPU硬件加速，以实现放疗图像中组织器官快速的分割。由于CNN模型具有较好的图像分割效果，被广泛应用于医学图像处理的各个领域，许多研究人员以此为基础，开发出了众多医学图像自动分割的新模型。IbragimovB等将CNN的深度学习模型应用于头颈部肿瘤放射治疗中脊髓、下颌骨、腮腺、下颌下腺、喉、咽、眼球、视神经和视交叉的自动分割，并且在大部分OARs上具有较高的分割精度，但在对比度较低、体积较小的视神经和下颌下腺的分割上精度仍较低。胡光亮等提出了一种利用CNN 结构对鼻咽肿瘤磁共振图像的自动分割方法，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，合理地选取特征图的数量能够较明显提高算法的分割精度。但是对于对比度较低的目标，可能出现特征量过少不足以实现分割，或特征量过多导致过度拟合。故CNN在对比度较低、体积较小的OARs目标的自动分割过程中，尤其是模型训练样本较少时，难以获得较好的自动勾画模型。

完全卷积网络

       完全卷积网络（Fully Convolutional Network, FCN）最早是由加州大学伯克利分校的Long J等提出，在CNN的基础上进行了改进。在图像分割任务中，无需全连接层即可进行密集的像素预测，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，避免了图像信息下采样丢失，其反卷积结构使输出图像的尺寸能够恢复至输入图像的尺寸大小。该方法与CNN相比，其图像分割效率更高，并提高了分割精确度。FCN能够实现X线图像中成像部位精确自动分割，还可用于3D 图像的多器官组织分割。Peijun 等采用由粗至细的分层方法，有利于避免复杂的特征提取和选择过程，显著改善了FCN 网络针对体积较小器官的分割结果，获得更高的准确性。TongN等在训练FCN的过程中使用新颖的形状表示模型（Shape Representation Model, SRM）来学习OARs的形状特征，以减少假阳性，帮助提高FCN的勾画精精确度。

U-Net网络

       U-Net 网络是由Ronneberger等最早提出，该模型建立在FCN的体系结构上，发展出分析通路与扩展通路等分辨率层之间的快速连接，为原FCN的反卷积层提供了更高的分辨率，成为更适合医学图像分割特点的网络模型。该网络结构还可以根据需要自由加深，能够更好的适应大尺寸的医学图像。新颖的U-Net 网络结构在自动勾画小体积OARs时显示出其高分辨率的优越性，具有较好的分割效果。A. Hansch等利用U-Net网络对腮腺进行自动分割，取得了非常好的分割效果，并且讨论了训练集的大小对于网络算法的影响，认为250组训练样本足以获得良好的分割结果，但是训练样本超过250组后，训练集的增加并不会明显改善最终的分割效果。潘沛克等提出了一种基于U-Net 网络模型的鼻咽肿瘤MRI 图像自动分割算法，可以实现较好的实际分割效果并且具有较高的分割精度，同时大幅提升时间效率。以上几种基于深度学习的网络模型是图像自动分割勾画领域较为基础的模型。通常研究者们会根据应用场景、图像类型和器官种类等因素，通过改进或增加网络模块、串联或并联多种网络、增加卷积路径等方案针对现有网络模型进行改进，生成各种不同的新型深度学习网络模型，以获得更佳的器官分割精度和效率。

人工智能的技术展望

       随着计算机技术的快速发展，人工智能技术将更加深入地应用于肿瘤放射治疗领域。未来对肿瘤靶区和危及器官图像自动分割勾画的研究将更加注重多种分割算法的结合，提高网络的成熟度和适应性，并进一步提高图像分割精度和分割效率。同时不断改进现有模型，以减少人为监督干预程度，尽可能实现图像分割勾画的全自动化。高精度、高效率的自动勾画，将成为肿瘤精确放疗的有力保障，最终造福于广大肿瘤患者。