迈向基于深度学习的稳健自动分割技术,应用于MRI引导下的妇科近距离放射治疗:可扩展开发与全面评估的重要性

《Brachytherapy》:Towards robust deep learning-based autosegmentation in MRI-planned gynecological brachytherapy: Importance of scalable development and comprehensive evaluation

【字体: 大 中 小 】 时间:2026年01月23日 来源:Brachytherapy 1.8

编辑推荐:

  宫颈癌近距离放疗中基于深度学习的自动器官轮廓建模系统开发与评估。使用nnU-Net模型训练200例3D-MRI数据,包含膀胱、直肠、乙状结肠和小肠等多器官保护,经三位医生手动轮廓验证。结果显示几何指标(Dice系数0.93±0.02,HD95 2.26±1.07)与剂量指标(ΔD2cc<0.60 Gy)均达到临床要求,但定量与定性评价存在差异。临床可接受性达80%,模型可扩展至其他妇科近距离放疗场景。

  
帕特里夏·朱尔·奥利瓦(Patricia Jule Oliva)| 施里曼蒂·戈什(Shrimanti Ghosh)| 弗勒尔·黄(Fleur Huang)| 埃里卡·维贝(Ericka Wiebe)| 朱莉·库阿特罗(Julie Cuartero)| 苏尼塔·戈什(Sunita Ghosh)| 皮埃尔·布兰杰(Pierre Boulanger)| 吉贤·尹(Jihyun Yun)| 库马拉德万·普尼塔库马尔(Kumaradevan Punithakumar)| 吉塔·梅农(Geetha Menon)
加拿大阿尔伯塔大学埃德蒙顿分校肿瘤学系

摘要

目的

本文旨在提出一种通用的深度学习(DL)驱动的自动轮廓勾画方法,用于在MRI引导的宫颈近距离放疗中自动勾画标准风险器官(OARs)的轮廓。

材料与方法

研究人员使用了一个包含200张3D MRI图像的数据集(其中85%用于训练/验证,15%用于测试),这些图像涵盖了多种放疗装置类型和不同的解剖结构,并由3位医生手动勾画了风险器官(包括膀胱、直肠、乙状结肠和小肠)的轮廓,以此为基础开发了一个基于nnU-Net的自动轮廓勾画模型。通过迭代调整优化了模型参数并提升了评估指标。模型性能通过定量指标(如几何指标(例如Dice系数(DC)和Hausdorff距离第95百分位数(HD95))以及剂量学指标(剂量-体积直方图(DVHs)和剂量差异(ΔD2cc))进行评估,并将其结果与医生的定性评估(修改后的Turing测试和Likert测试)进行了对比。

结果

对于膀胱而言,几何指标的表现最佳(例如,平均±标准差DC|HD95为0.93±0.02|2.26±1.07),而小肠的指标变化较大(0.62±0.16|24.90±14.36)。手动勾画的轮廓与模型预测的轮廓在剂量学上的吻合度较高,所有风险器官的ΔD2cc均值<0.60 Gy,EQD23也满足要求。模型性能在不同放疗装置类型、风险器官体积和勾画工具的情况下均保持稳定。尽管定量评分并不总是与理想的定性结果完全一致,但医生的评估显示该模型在临床上是可接受的(膀胱和直肠的接受度均为80%)。

结论

基于深度学习的自动轮廓勾画模型在经过内部多样化数据集训练后,其临床可接受性得到了充分验证。该模型在目标器官的自动勾画方面展现出良好的潜力,并且有望应用于其他妇科(非宫颈)近距离放疗场景。需要注意的是,在评估自动轮廓勾画模型的临床实用性时,应同时考虑定量和定性结果之间的差异及其方向性和幅度。

引言

基于深度学习的自动化技术在近距离放疗(BT)治疗计划中的应用(如自动轮廓勾画和自动计划)是一个备受关注的领域。成功的深度学习算法能够从大型数据库中检测复杂模式,并将这些信息用于预测。目前,针对局部晚期宫颈癌(LACC)的MRI引导近距离放疗仍依赖于经验丰富的医务人员按照既定标准进行手动轮廓勾画,但这一过程繁琐且存在较大的观察者间差异,可能导致高达35%的剂量学不确定性。自动轮廓勾画算法可以减轻放射肿瘤科医生的工作负担,缩短从影像采集到治疗的时间,同时减少因解剖结构变化带来的剂量学不确定性,从而提高患者舒适度。理想情况下,高效的自动化流程可以在不牺牲精度的前提下实现,但受限于可用MRI数据集的稀缺性、可能的图像伪影以及患者间解剖结构的较大差异,相关技术的发展仍面临挑战。 基于深度学习的自动分割技术(如卷积神经网络、全卷积网络和尤受青睐的U-Net)具有高效性和适应性。已有研究将深度学习技术应用于宫颈癌中风险器官的自动轮廓勾画,但主要集中在CT图像上。随着基于MRI的妇科近距离放疗规划的普及,人们开始探索使用MR图像进行自动轮廓勾画的方法。然而,以往的研究要么使用较小的训练数据集,要么未涵盖所有盆腔风险器官,要么仅由单一观察者完成勾画工作。为了实现模型的泛化能力,需要丰富多样的训练数据集。尽管迁移学习和动量对比学习等方法能部分克服这些限制,但对于深度学习经验有限的机构来说仍存在挑战。 此外,目前尚无统一的评估标准来衡量自动轮廓勾画模型的有效性,因此评估通常基于定量和定性指标的结合。虽然Dice系数和Hausdorff距离第95百分位数等几何指标在自动轮廓勾画研究中被广泛使用,但还有许多其他评估方法可以帮助更全面地了解模型性能。定性用户评估能够反映模型在实际应用中的临床可行性,但这类评估较为少见且具有主观性。目前尚未研究基于MRI的LACC近距离放疗自动轮廓勾画模型中各种定量和定性指标之间的关联。 综上所述,本文详细介绍了构建和评估自动轮廓勾画深度学习模型(DLM)的方法,具体包括以下贡献:
  • 开发了一个基于nnU-Net的深度学习框架,专门用于LACC-BT中膀胱、直肠、乙状结肠和小肠等风险器官的自动轮廓勾画,同时具备扩展到高风险临床靶区(HR-CTV)和阴道风险器官的潜力。
  • 利用包含多年实际治疗数据的精选大规模MRI数据集进行模型设计,该数据集涵盖了多种放疗装置类型和多医生的勾画结果,从而增强了模型的性能和可靠性。
  • 在临床前环境中通过多种定量(几何、剂量学)和定性(临床)评估方法对模型进行了多层面评估,分析了两种评估方法的优缺点,为自动化模型的评估提供了参考。

数据集

在本项获得伦理批准的研究中,我们统计了2016年3月至2024年7月期间我们中心实施的364例LACC-BT治疗案例。经过筛选(排除大运动伪影和异常体积等数据,详细信息见补充表S1a),最终用于模型开发的数据库包含了183名患者的200张匿名T2加权(T2W)3D MRI图像,这些图像均使用1.5T Magnetom Aera扫描仪(西门子健康医疗集团)采集。

模型实现

通过对比使用50、100、130和170例数据进行训练的模型性能,确定了构建可靠模型所需的最佳样本数量。结果显示,随着样本数量的增加(从50例增加到100例、130例),模型性能有所提升,但从130例增加到170例时提升幅度较小(尤其是对于小肠)。因此,模型开发不再继续增加样本数量(见表1b)。 将DLM集成到自动轮廓勾画工作流程中需要四个步骤(见图2): 1. 将3D MRI图像从DICOM格式转换为适合神经影像处理的格式。

讨论

鉴于基于MRI的宫颈癌近距离放疗(CC-BT)的复杂性,实用的自动轮廓勾画工具对于提高工作效率和患者体验至关重要。然而,缺乏标准化的评估指标限制了这些工具的临床可接受性评估。在自动轮廓勾画的背景下,虽然常用指标如Dice系数和Hausdorff距离第95百分位数能够反映轮廓的几何特征,但它们可能无法准确反映其临床实用性。

结论

我们提出的综合开发流程和评估方法为构建可靠的、可适应的深度学习自动轮廓勾画模型提供了实用见解。该模型能够在多种数据格式、放疗装置类型和勾画工具下成功自动勾画妇科近距离放疗中的标准风险器官。尽管定量和定性评估结果并不总是完全一致,但两者结合使用能够提供更全面的模型评估。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号