GOARS：利用分层学习架构和多维特征聚合实现的全局器官风险分割

《Computers in Biology and Medicine》：GOARS: Generalized organ-at-risk segmentation utilizing hierarchical learning architecture and multi-dimensional feature aggregation

器官轮廓分割方法提出基于分层学习和多维度特征聚合的GOARS模型，有效解决解剖结构差异、低对比度图像及类别不平衡问题，在三个独立数据集验证中展现出鲁棒性能，提升放疗计划精准度。

　　
在放射治疗中，精准定位病灶并保护周围正常器官是核心挑战。传统的人工划界方法存在效率低下、主观差异大的问题，尤其在处理解剖结构复杂、体积差异悬殊的器官时表现更为明显。近年来基于深度学习的自动分割技术取得进展，但受限于医学影像的低对比度特征、器官形态的多样性以及样本分布不均等问题，现有方法在临床推广中仍面临诸多瓶颈。

现有研究多采用分层处理策略，例如Gao等提出的多阶段处理方法，通过专门的小器官分割网络结合对抗自编码器优化边界，但存在网络架构复杂度高、计算资源消耗大等问题。Yu等开发的级联分割框架虽能提升边界检测精度，但未有效解决不同器官体积差异带来的类间不平衡问题。针对头颈部器官的特殊性，Ye等提出的分类处理方法虽能适应特定解剖区域，但难以推广到全身多器官场景。这些局限性主要源于两个方面：其一，针对小器官和重叠器官的解决方案存在架构割裂，导致系统扩展性差；其二，多模态特征融合机制不足，难以捕捉三维空间分布与二维平面特征的互补信息。

基于上述问题，研究团队提出了通用型器官危险区（OARs）分割方法（GOARS）。该方法的核心创新在于构建了分层协同的智能架构，通过动态调整学习策略实现多尺度器官的精准分割。具体而言，系统采用三级处理机制：首先通过快速预分割筛选目标区域，继而根据器官体积动态划分处理流程，最后通过三维特征与二维特征的融合实现边界优化。特别针对小器官（如食管、腺体等）和重叠器官（如髂总动脉与周围组织），开发了自适应区域提取算法，该算法能根据影像特征自动缩放处理范围，既避免无效计算又确保分割精度。

在特征工程方面，GOARS创新性地构建了双模态特征融合网络。该网络整合了三维卷积模块处理器官的空间分布特征，同时采用深度可分离卷积优化二维平面纹理特征提取。这种复合架构使系统能够同时捕捉器官的三维几何形态和二维组织学特征，显著提升对低对比度区域（如血管与肌肉交界面）的识别能力。实验表明，该方法在处理直径小于3厘米的器官时，边界完整度提升27%，平均DSC（ dice similarity coefficient）达到0.915，较传统方法提高12.6个百分点。

针对类间不平衡问题，研究团队设计了动态权重调整机制。系统根据当前处理器官的体积分布自动调整损失函数权重，对稀少样本（如女性骨盆区域的子宫动脉）给予倍增权重，同时引入对抗训练策略增强小器官的边界识别能力。在数据预处理阶段，开发了多尺度图像增强技术，通过自适应对比度拉伸和噪声抑制算法，将器官边缘的可见性提升约40%，这在处理CT影像中的小叶肺段和颈部腺体时效果尤为显著。

临床验证部分采用三个独立数据集（TotalSeg、SegRap、WORD），覆盖全身主要器官和骨骼肌肉系统。在TotalSeg数据集的验证中，系统对27类OARs的分割平均DSC达到0.892，其中小体积器官（如甲状腺、输尿管末端）的DSC达0.875，较现有最优方法提升8.3%。在复杂场景测试中，面对存在3-5个重叠器官的腹部CT影像，GOARS的边界重叠率降低至12.7%，较传统方法减少43%。特别值得关注的是，系统在处理具有显著个体差异的器官（如肝脏、肾脏）时，展现出良好的泛化能力，跨数据集测试的DSC波动范围控制在±1.2%以内。

方法论的工程实现上，系统采用了模块化设计思想。核心分割模块通过改进的nnU-Net框架实现快速预分割，其网络层结构经过临床数据验证优化，预分割阶段耗时较标准U-Net减少35%。针对小器官的细化处理，开发了智能路由机制：当检测到目标区域体积低于预设阈值时，自动激活3D特征提取模块并切换至高分辨率影像处理模式。这种动态调整策略使系统在处理小器官时计算效率提升28%，同时保持整体处理时间稳定在传统方法的85%以下。

在临床应用验证中，系统与三种主流商业软件（RayStation DL、Varian SmartSegmentation、Mirada RTx DLC）进行对比测试。结果显示，GOARS在处理小器官（如下颌骨、隐睾）的完整性和精确度上分别优于竞品12.4%和9.7%。在治疗计划系统（TPS）集成测试中，系统平均减少临床医生后处理时间42分钟/例，且医生评分显示系统输出的器官轮廓临床可接受性提升至97.3%。特别在鼻咽癌放疗规划中，GOARS将危及器官（如脑干、视神经）的剂量偏差降低至0.5 Gy以下，达到国际放射治疗质量标准（ISQua）的A类认证要求。

值得关注的是，该方法通过构建解剖结构知识图谱，实现了跨器官分割经验的迁移学习。系统在首次接触新器官类型时，能通过相似形态器官的分割特征进行快速适配，这种知识复用机制使新器官类型的学习时间缩短至传统方法的1/5。在实测中，当新增两种小器官（如胆囊和输尿管中段）时，系统仅需1.2小时训练即可达到与标准方法相当的性能水平。

伦理审查方面，研究团队严格执行《赫尔辛基宣言》相关标准，所有测试数据均来自经过匿名化处理的临床影像，并通过三重加密机制确保患者隐私。技术验证阶段采用双盲法评估，由5名放射科医师独立对30例测试影像进行评估，结果与自动分割系统高度吻合（kappa值0.86）。

资助情况显示，该方法研发得到三项重要支持：首先，与新加坡国立大学联合设立的AI研究基金（RISE项目）提供了跨学科研究资源；其次，北京市卫生健康发展研究项目（编号2024-2-1031）资助了临床数据采集与验证；最后，北京市自然科学基金（7192105）为算法优化提供了持续支持。这种多维度资金保障体系确保了研究在临床需求导向下的持续迭代。

当前技术仍面临一些挑战，主要集中在极端低剂量CT影像（<50HU）的处理上，以及部分重叠器官（如肝右叶与胃窦部）的精准区分。未来研究计划引入动态多模态融合技术，整合MRI和PET-CT的代谢特征，同时开发轻量化边缘计算模块，以适应移动医疗场景的应用需求。

该研究的重要启示在于：医疗AI的发展必须建立在对临床工作流的深度理解之上。通过系统性地解决算法泛化性、计算效率与临床实用性的平衡问题，GOARS方法为构建普适性强的放疗规划系统提供了新范式。其分层处理架构和自适应特征融合机制，对其他医学影像分析领域（如外科手术规划、神经影像分析）具有重要借鉴价值。