综述：基于CNN的深度学习模型在胶质母细胞瘤放疗自动勾画中的评估综述

《Radiation Oncology》：Evaluation of CNN-based deep learning models for auto-contouring in glioblastoma radiotherapy: a review

本综述系统评估了深度学习（DL）模型在胶质母细胞瘤（GBM）放疗靶区自动勾画中的应用。文章重点分析了卷积神经网络（CNN）、U-Net及其变体（如nnU-Net、PKMI-Net）等架构的性能，指出nnU-Net凭借其自配置能力和对多模态影像的适应性，展现出最优的分割精度（Dice相似系数DSC可达0.97），为减少观察者间变异（IOV）、提升放疗计划效率与准确性提供了重要工具。

　　

引言

胶质母细胞瘤（GBM）是最常见且最具侵袭性的原发性恶性脑肿瘤，年发病率约为每10万人5-10例。尽管治疗手段不断进步，患者的中位生存期仍仅约13个月。放射治疗（RT）是GBM综合治疗的核心手段之一，而精确的肿瘤靶区勾画是放疗计划成功的关键。传统的手动勾画方式耗时耗力，且存在显著的观察者间变异（IOV）。近年来，人工智能（AI），特别是深度学习（DL）技术，为自动勾画带来了革命性的变革，旨在提高勾画准确性、一致性并节省时间。

材料与方法

本综述检索了截至2025年1月末的Google Scholar、PubMed、Scopus等科学数据库，最终纳入12项符合标准的研究。这些研究均聚焦于深度学习模型在GBM自动分割中的应用，并提供了定量性能评估（如Dice相似系数DSC、豪斯多夫距离HD）。

结果

卷积神经网络

卷积神经网络（CNN）及其衍生架构在GBM自动分割中应用广泛。

• •
  SegNet：作为一种编码器-解码器结构的CNN，Sadeghi等人的研究显示其在BraTS 2019数据集上实现了89.60%的DSC和1.49 mm的HD，在保证精度的同时具有较少的参数，适合对效率要求高的临床场景。
• •
  Mask R-CNN：该架构能够同时进行目标检测和分割。Breto等人的研究将其应用于日常MR图像，用于GBM和切除腔的自动勾画，DSC值分别达到0.8和0.84，显示出实时肿瘤监测的潜力。
• •
  DeepLabv3+：该模型利用空洞卷积捕获多尺度信息。Khodadadi Shoushtari等人应用其于BraTS 2020数据集，在增强肿瘤（ET）、肿瘤核心（TC）和全肿瘤（WT）分割上分别取得了78%、85%和87%的DSC值。
• •
  DeepMedic：这是一种双路径3D CNN，擅长处理不规则形状的肿瘤。Eijgelaar等人的研究表明，即使在不完整或异构的影像序列下，通过稀疏训练也能达到0.83的DSC，鲁棒性较强。
• •
  DenseNet：其特点是密集连接，促进特征重用。Bangalore Yogananda和Fu等人的研究均表明，基于DenseNet的3D模型在WT、TC、ET分割上表现优异，其中3D多路径DenseNet的DSC高达0.922±0.041，HD95为3.9±3.3，在处理大小肿瘤区域时均显示出强大性能。

U-Net及其变体

U-Net家族凭借其编码器-解码器结构和跳跃连接，在医学图像分割中占据主导地位，尤其在数据量有限的情况下表现突出。

• •
  U-Net：基础U-Net结构通过跳跃连接结合上下文信息与空间细节。Tian等人利用3D U-Net并结合迁移学习，在GTV勾画中达到了0.9404±0.0117的DSC和1.8107±0.3964的HD95。
• •
  nnU-Net：这是本次综述中的明星架构。其核心创新在于“无需手动配置”，能根据输入数据集自动优化网络深度、滤波器大小等超参数。

Pemberton等人的研究比较了DeepMedic、nnU-Net和NV-Net，结果显示nnU-Net在内部测试中对WT的分割DSC高达0.97，HD为7.34 mm，在所有模型中表现最为出色和稳定。

• •
  PKMI-Net：这是一种基于先验知识的多模态成像网络（基于3D U-Net），能够融合CT和多序列MRI信息。Tian等人报道其对于GTV、CTV1和CTV2的DSC分别达到0.94、0.95和0.92，但需要额外的预处理步骤。
• •
  NV-Net：该架构通过嵌套跳跃连接增强多尺度特征提取，但在Pemberton的研究中，其性能略逊于nnU-Net，尤其在MRI序列不完整时。

讨论

深度学习模型在GBM自动勾画中的主要优势在于显著降低IOV、提高精度和节省时间。不同架构各有千秋：CNN模型（如3D多路径DenseNet）在复杂特征检测上表现强劲；而U-Net变体（特别是nnU-Net）在分割精度和适应性方面更胜一筹。nnU-Net因其自配置特性、高精度（尤其在复杂形状和小肿瘤分割上）和强大的泛化能力，被认为是当前最适用于GBM放疗靶区勾画的模型。

影像模态对分割效果至关重要。例如，FLAIR序列对于显示瘤周水肿不可或缺，其缺失会显著降低分割精度（DSC平均下降0.13）。T2加权成像能清晰显示含水量高的病理区域。融合多模态影像（如灌注MRI、扩散MRI）能为模型提供更丰富的生理和微观结构信息，有助于区分肿瘤与正常组织，进一步提升分割准确性，特别是对于小型或边界不清的肿瘤。

当前模型仍面临一些挑战，包括对小肿瘤分割不够精确、对不规则薄层图像处理存在困难、对缺失影像序列的鲁棒性有待提高，以及多模态数据采集和预处理的复杂性。数据稀缺和患者隐私问题也限制了大规模模型的开发。未来方向可能包括利用迁移学习减少对大量标注数据的依赖，探索联邦学习以促进多中心协作，以及研究视觉Transformer（ViT）等新兴架构的潜力。

结论

深度学习，尤其是基于CNN和U-Net的架构，已深刻改变了GBM放疗靶区勾画的方式。在众多模型中，nnU-Net展现出最高的准确性和临床适用性，是当前GBM自动分割的优选方案。通过整合多模态影像数据和先进的训练技术，未来有望进一步优化模型性能，最终提升GBM放疗的精准度和患者预后。