一种基于多模态技术和临床过程模拟的鼻咽癌临床靶区自动分割新方法

《Applied Surface Science Advances》：A novel automated segmentation strategy for clinical target volume of nasopharyngeal carcinoma based on multimodality and clinical processes simulation

　　

陈卓欣|杨龙|钟扬|史梓祺|王家洲|胡 Chaosu|胡伟刚

复旦大学上海癌症中心放射肿瘤科，中国上海200032

摘要

目的

目前用于鼻咽癌临床靶区（CTV）自动分割的方法主要依赖于CT图像，没有利用多模态成像来模拟靶区临床勾画的过程。本研究旨在通过利用多模态成像的信息并模拟临床勾画过程来提高CTV自动分割的准确性。

方法

为了模拟鼻咽癌CTV的临床勾画过程，我们首先对计算机断层扫描（CT）和磁共振成像（MRI）中的肿瘤总体积（GTV）进行了自动分割。随后，将这个感兴趣区域（ROI）转移到CT图像上，并根据GTV轮廓和CT图像自动进行CTV分割。我们采用Swin UNETR网络完成这两项任务中的自动分割工作。模型的性能通过Dice相似系数（DSC）、Jaccard指数（JI）和95%豪斯多夫距离（HD₉₅）以及平均对称表面距离（ASD）等指标进行评估。还训练了两个额外的模型进行对比：仅使用CT的模型和CT-MRI融合分割模型。进行了五折交叉验证以评估性能。

结果

所提出的方法（CT + GTV）实现了更优越的分割性能，平均DSC为0.844（95% CI: 0.835–0.853），JI为0.727（95% CI: 0.715–0.739），HD95为7.96 mm（95% CI: 6.61–9.31），ASD为1.66 mm（95% CI: 1.48–1.85）。这与仅使用CT的基线性结果（DSC: 0.829; 95% CI: 0.818–0.840; HD95: 8.60 mm）相比有显著改进。值得注意的是，未经整合的MRI（CT + MRI）方法的性能较差（DSC: 0.818; 95% CI: 0.808–0.828; HD95: 9.89 mm）。

结论

通过明确结合GTV的空间先验来模拟临床工作流程，显著提高了鼻咽癌CTV自动分割的准确性。这种两步策略有效地利用了多模态成像，为放疗治疗计划提供了比直接图像融合更为稳健和临床相关的替代方案。

引言

鼻咽癌（NPC）是鼻咽部的一种常见恶性肿瘤，尤其在东南亚和北非等地较为普遍（Chen等人，2019；Claudio和Denning，2011；Claudio等人，2000）。放疗（RT）仍是NPC治疗的基石（Chan等人，2002），其目的是向肿瘤施以集中辐射剂量，从而消灭或控制癌细胞，同时保护周围的健康组织（Baskar等人，2012）。

RT计划中的一个关键且具有挑战性的步骤是临床靶区（CTV）的勾画。CTV必须包括肿瘤总体积（GTV）以及有高风险出现微粒扩散的邻近区域。鼻咽部复杂的解剖结构、肿瘤范围和位置的变化，以及肿瘤向附近淋巴结扩散的可能性，都是放射肿瘤学家在确定CTV最佳范围时面临的挑战（Lee等人，2018；Ng等人，2022；Zhang等人，2020）。

此外，CTV勾画的准确性容易受到不同放射肿瘤学家对影像和临床数据解读差异的影响，这种差异可能导致治疗计划的不一致性，进而影响治疗效果。为了解决这些问题，放射肿瘤学家使用了先进的成像技术，如磁共振成像（MRI）和计算机断层扫描（CT），从而提高了CTV勾画的精度（Emami等人，2003）。

临床中典型的NPC CTV勾画过程包括三个关键步骤：首先，对MRI和CT图像进行配准和融合以提高肿瘤定位的精度。接下来，放射肿瘤学家在配准后的MRI上勾画GTV。最后，在CT图像上定义CTV，这涉及到在考虑骨和气腔等自然解剖边界的情况下对GTV进行几何扩展（Grégoire等人，2015）。

目前，大多数自动CTV分割方法主要关注CT图像，对多模态数据的利用较少。Men等人（Men等人，2017）引入了一个深度反卷积神经网络，并使用CT图像作为模型的输入，显著提高了CTV分割的准确性。Xue等人（Xue等人，2020）提出了顺序迭代U-Net（SI-Net）深度学习方法，这是一种U-Net的变体，用于提高高风险原发肿瘤CTV（CTVp1）的自动分割精度。Chen等人（Chen等人，2021）开发了一种改进的CycleGAN，可以从兆伏CT（MV-CT）生成千伏CT（skV-CT），以及一个双分支网络，从skV-CT和MV-CT图像中提取特征，从而提高图像质量和CTV分割效果。Men等人（Men等人，2020）通过持续的知识获取、微调和迁移解决了标记训练数据有限的挑战。Kihara等人（Kihara等人，2023）提出了使用带CT和GTV（U-Net GTV）双通道输入的3D-UNet来预测CTV。然而，这些主要依赖于CT图像的方法往往忽略了GTV的关键空间定位信息，而这对CTV的勾画至关重要；尽管一些研究考虑了GTV，但肿瘤学家主要参考MRI来勾画GTV（Ng等人，1997），未能充分考虑到临床勾画CTV的方法。

在这项研究中，我们提出了一种两步深度学习策略，通过结合多模态成像和深度学习来模拟传统的临床CTV勾画过程并提高分割精度。

章节摘录

材料与方法

图1展示了所提出方法的工作流程。具体步骤在后续小节中有详细说明。

结果

单模态（仅CT）、多模态（CT + MRI）以及结合多模态和临床过程的模拟（CT + GTV）Swin UNETR的五折交叉验证结果总结在表2中。

结合CT和GTV的所提出方法的分割精度得到提高，DSC为0.844，JI为0.727，HD₉₅为7.96 mm，ASD为1.664 mm。相比之下，仅使用CT的分割方法平均DSC为0.829，JI为0.713，HD₉₅为8.60 mm，ASD为1.815 mm。

讨论

CTV在RT中至关重要，因为适当的治疗对于实现治愈至关重要（Chong等人，1996）。目前，临床CTV勾画依赖于来自CT和MRI数据的GTV信息。在这种既定的临床实践中，肿瘤学家通常根据临床指南将GTV扩大8-10 mm来确定CTV。我们提出的方法与此临床工作流程一致，并在CTV的自动分割方面提供了改进。这种改进不仅...

结论

本研究介绍了一种新颖的两步深度学习策略，用于提高NPC的CTV分割精度。通过模拟临床勾画过程，我们的方法利用MRI进行GTV预测，并将其与CT数据结合进行CTV分割。我们的模型（CT + GTV）的性能优于仅使用CT或CT + MRI的模型，这突显了结合多模态成像和临床模拟过程在NPC治疗计划中改进CTV勾画的潜力，并提供了一些...

CRediT作者贡献声明

陈卓欣：撰写——原始草案。钟扬：撰写——审阅与编辑。杨龙：数据管理、概念化。王家洲：监督。史梓祺：软件开发。胡伟刚：撰写——审阅与编辑。胡 Chaosu：资源支持

利益冲突声明

作者声明与本研究、作者身份和/或文章发表没有潜在的利益冲突。

声明

该研究获得了复旦大学上海癌症中心伦理委员会的批准（批准编号：2201250-16）。

声明

该研究获得了复旦大学上海癌症中心伦理委员会的批准（批准编号：2201250-16）。

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报告的研究结果。