基于3D点云表示的在线自适应放射治疗中分次直肠解剖形态预测

《Physica Medica》：Intrafractional rectum anatomy shape prediction based on 3D point cloud representation in online adaptive radiation therapy

在线自适应放疗中基于3D点云的解剖形变预测模型研究。通过42例患者的420份MRI数据构建点云数据库，提出SA-UNet生成模型，较传统MLP和PointCNN模型将平均CD值降低32.5%，EMD降低20.3%，JAC提高11.3%。方法创新在于直接利用点云数据实现无需配准的形变预测，临床应用可辅助实时靶区调整和剂量优化。

　　

王文宇|周志宏|魏然|王宁宇|严雪娜|徐媛|卢宁宁|戴建荣|门阔

中国医学科学院北京协和医学院国家癌症中心/国家癌症临床研究中心/癌症医院放射肿瘤科，北京100021

摘要

目的

本研究旨在开发一种解剖结构生成模型，以预测前列腺癌在线自适应放疗（OART）过程中的直肠形状变化。

方法

对42名接受在线自适应放疗（OART）的前列腺癌患者的临床数据进行了回顾性分析。从治疗前（Pre-）和位置验证（Pv-）阶段获取的MRI扫描中提取直肠形状，并将其表示为3D点云。通过数据增强来构建直肠数据集。随后，我们开发了SA-UNet，这是最早的基于生成式AI的模型之一，用于预测治疗过程中的直肠解剖形状，并将其性能与两个传统的深度学习基线模型进行了对比。

结果

SA-UNet模型在解剖结构预测方面表现出优异的性能，平均CD值（29.06 ± 12.56 mm）和EMD值（4.82 ± 1.31 mm）最低，平均JAC值（0.69 ± 0.07）最高。与Baseline-MLP相比，SA-UNet在不同治疗分次之间的一致性显著更高，变异性更低，异常值也更少（p < 0.025，Bonferroni校正）。同时，SA-UNet的表现也显著优于Baseline-PointCNN，后者的平均CD值（42.85 ± 14.18 mm）和EMD值（6.07 ± 1.31 mm）最高，而JAC值（0.62 ± 0.07）最低，这些指标均显著低于SA-UNet（p < 0.01，Bonferroni校正）。

结论

SA-UNet模型在前列腺癌OART中预测治疗过程中的直肠形状变化方面显示出初步的可行性，为早期预警和提升精准放疗提供了潜力。

引言

在线自适应放疗（OART）假设每个治疗分次期间解剖结构保持稳定，忽略了由内脏动态驱动的目标运动[1]。在前列腺癌OART中，这一假设尤其存在问题，因为直肠变形会直接影响前列腺的位置和形状[2]，从而可能影响目标覆盖范围并增加周围器官受到意外辐射的风险。直肠充盈是导致前列腺治疗过程中运动的主要因素，由于其与前列腺位移的强相关性，如果处理不当，可能会导致显著的剂量学偏差[3]。相比之下，膀胱体积变化的影响似乎很小，在预测前列腺运动方面的预测价值有限[4]，[1]，[5]。因此，准确预测前列腺癌OART治疗过程中的直肠形状变化对于确保精确的剂量输送和减少不良临床后果至关重要。 尽管治疗过程中直肠运动的生物力学特性复杂且个体化，但这并不排除在统计或结构层面上存在可预测趋势的可能性。先前的研究已经表明，即使解剖结构存在变化，也受到空间和生物力学约束，使得数据驱动的模型能够识别出常见的变形模式[6]，[7]。尽管当前的MRI-直线加速器系统通过门控或剂量移动提供了2D动态MRI进行运动校正，但这些技术无法完全捕捉3D变形或平面外的运动[8]。 点分布模型（PDMs）是医学成像中经典的解剖形状分析方法。通过将解剖结构表示为密集的点云，PDMs能够捕捉和量化样本之间的形状变化[9]。先前的研究使用PDMs分析了目标和风险器官在治疗过程中的形状变化[9]，[10]，[11]。然而，PDMs的一个主要限制是需要建立所有样本之间的精确点对应关系，这通常涉及计算密集的点配准过程[12]。更重要的是，传统的PDMs要求所有训练形状都具有一致的地标点，当解剖结构变化较大或发生复杂变形时，很难建立点对应关系[13]。 相比之下，深度学习方法可以直接从点云数据中学习形状表示，无需显式的地标匹配，从而有效捕捉非线性的解剖变化并消除昂贵的点对应过程[14]，[15]。这些优势使得深度学习方法能够在临床应用中发挥作用。例如，最近的研究表明，基于点云的神经网络可以通过学习复杂的解剖模式来预测阿尔茨海默病[16]，[17]。此外，无监督方法如Point2SSM[18]可以直接从原始点云构建基于对应关系的统计形状模型，从而绕过了对标记数据的依赖，大大提高了方法的泛化能力。 然而，大多数现有的PDMs或深度学习方法主要集中在分类或回归任务上，例如器官运动范围估计[9]、年龄预测[17]、计划优化[19]和疾病识别[14]，[17]，在生成能力方面有限。由于解剖变形的复杂性和非线性，从一种解剖状态生成另一种解剖状态仍然是一个重大挑战。最近在生成式AI方面的进展在图像合成[20]和3D内容生成[21]领域取得了突破性进展，使模型能够学习复杂的数据分布并产生高保真的输出。尽管在这些问题上取得了成功，但生成式AI尚未应用于解剖结构预测，特别是在动态的、患者特定的解剖变化背景下。 本研究是最早开发基于3D点云的生成模型的研究之一，用于预测前列腺癌OART治疗过程中的直肠形状变化。该模型可以直接从治疗前的点云数据预测治疗过程中的直肠解剖结构，而无需进行显式的点集配准。

数据选择

本研究使用了42名连续患者的210个治疗分次的1.5特斯拉高分辨率MRI数据，共420张图像。具体来说，这些患者被诊断为局部低风险、中等风险和选择性高风险前列腺癌。所有患者均接受了使用Elekta 1.5特斯拉MR直线加速器的MRI引导的在线自适应放疗，该加速器提供了适应形状（ATS）工作流程。 对于每位患者，都获取了治疗前的MR图像（Pre-MRI），包括增强对比度的T1加权成像。

结果

为了提供自然解剖变形程度的参考，计算了治疗前（Pre-）和治疗后（Pv-）阶段点云之间的基线差异。结果总结如下：CD = 25.20 ± 16.38 mm，EMD = 5.30 ± 2.28 mm，JAC = 0.72 ± 0.12。治疗前点云与预测点云之间的差异总结如下：CD = 27.82 ± 12.48 mm，EMD = 5.46 ± 1.95 mm，JAC = 0.70 ± 0.07。

方法创新和临床应用

本研究是最早尝试直接操作3D点云表示来预测前列腺癌OART治疗过程中直肠形状变化的研究之一。与依赖体素化表示或表面网格的传统基于图像的模型不同，所提出的SA-UNet模型使用点云来表示解剖表面，提供了一种轻量级且灵活的参数化方法，避免了基于网格的模型的复杂性。

结论

本研究介绍了一种直接操作3D点云表示的新模型，用于预测前列腺癌OART治疗过程中的直肠解剖变化。结果表明其可行性，表明它具有早期识别解剖变化和促进个性化治疗策略的潜力。

CRediT作者贡献声明

王文宇：概念化、方法论、形式分析、数据管理、撰写——初稿、可视化。 周志宏：概念化、方法论、形式分析、数据管理、撰写——初稿、可视化。 魏然：验证、形式分析。 王宁宇：验证、形式分析。 严雪娜：验证、形式分析。 徐媛：验证、形式分析。 卢宁宁：撰写——审稿与编辑、可视化、监督、资金支持

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

不适用。

资助

本研究得到了以下机构的支持： - 国家自然科学基金，资助编号：12405406； - 中国医学科学院非营利中央研究院的寿命与健康项目，资助编号：2021-JKCS-003； - 国家高水平医院临床研究资助，资助编号：2025-LYZX-R-A01； - CAMS医学科学创新基金（CIFMS），资助编号：2023-I2M-C&T-B-095。

出版同意

作者同意发表该研究结果。