《Radiotherapy and Oncology》：Domain-adapted foundation model for automated cardiac CT substructure segmentation for thoracic radiotherapy
编辑推荐：
李宇恒|Vanessa L. Wildman|Luke del Balzo|Richard Qiu|Aparna H. Kesarwala|杨晓峰埃默里大学和佐治亚理工学院生物医学工程系，美国亚特兰大健康科学研究中心Haygood Dr NE 1760号，邮编30322摘要目的辐
李宇恒|Vanessa L. Wildman|Luke del Balzo|Richard Qiu|Aparna H. Kesarwala|杨晓峰
埃默里大学和佐治亚理工学院生物医学工程系，美国亚特兰大健康科学研究中心Haygood Dr NE 1760号，邮编30322
摘要
目的
辐射引起的心脏毒性是接受胸部放射治疗患者非癌症死亡的原因之一。与整个心脏的辐射剂量相比，特定心脏亚结构的辐射剂量更能预测不良心脏结局。本研究旨在开发一个适用于胸部放射治疗成像的强大、自动化的 cardiac substructure 分割框架。
方法和材料
我们整理了 CardiacSubstructSeg 数据集，该数据集包含69名左侧肺癌患者的增强对比度放射治疗模拟CT图像，以及21个心脏亚结构的专家手动标注。我们提出了 DINO-CardiacSeg，这是一种基于CT领域自适应监督预训练的新分割框架。通过五折交叉验证评估了模型性能，并与最先进的方法进行了比较。通过在 TotalSegmentator 心脏子集（n = 603）上进行微调来评估模型的泛化能力。
结果
在 CardiacSubstructSeg 数据集上，DINO-CardiacSeg 在所有指标上均取得了最高的整体性能（DSC 为 65.95% ± 7.91%，HD95 为 7.91 ± 4.40 mm）。在小结构和低对比度结构上的性能提升也是一致的。在 TotalSegmentator 数据集上的迁移学习评估中，DINO-CardiacSeg 保持了优越的性能（DSC：90.81% ± 8.23%，HD95：6.07 ± 13.17 mm），证明了其在不同标注协议和成像特征的数据集上的有效适应能力。
结论
DINO-CardiacSeg 通过 CT 特定的基础模型预训练，实现了对胸部放射治疗模拟 CT 中临床相关心脏亚结构的准确和可扩展的分割。这种方法在内部评估和针对公共心脏 CT 数据集的微调中均优于现有方法，显示出其在心脏剂量测量和改善肺癌放射治疗中心脏毒性风险分层方面的潜力。
引言
尽管由于吸烟习惯的减少和筛查措施的改进，全球癌症死亡率有所下降，但肺癌和支气管癌仍占所有癌症相关死亡的20.2%，是所有癌症中死亡率最高的，并且几乎占男性和女性所有新发癌症病例的一半[1]。由于超过50%的肺癌患者接受放射治疗作为其最终治疗的一部分，因此继续需要减少导致治疗相关死亡的不良副作用[2]。
随着治疗策略和技术的进步，接受肺癌治疗的患者生存时间更长，因此观察到的治疗相关的心脏不良效应也越来越频繁[3]。尽管外部束放射治疗的进步减少了附近风险器官的高剂量辐射暴露，但现代的规划和输送技术（如强度调制放射治疗（IMRT）和体积调制弧形治疗（VMAT）可能会增加周围组织接受低剂量辐射的体积[4]，[5]。由于心脏的解剖位置接近，接受左侧肺部原发肿瘤治疗的患者在治疗期间特别容易受到增加的心脏辐射暴露，因此心脏毒性的风险也更高。治疗后心脏毒性是肺癌和支气管癌患者非癌症死亡的原因之一，Yi等人证明放射治疗（RT）与较差的心血管特异性生存率（HR = 1.18，P < 0.001）和接受放射治疗的患者因心脏病死亡的人数增加有关[6]。新的证据强调了加强接受肺癌RT患者心脏保护的迫切需要，因此准确预测和预防心脏毒性对于提高长期生存率至关重要。
传统上，胸部RT规划在计算机断层扫描（CT）图像中将整个心脏作为单一风险器官（OAR）进行轮廓绘制，以模拟、计算并最小化作为治疗规划成本函数的辐射暴露。然而，新的证据表明，特定心脏亚结构的辐射剂量比传统的整个心脏剂量更能准确预测治疗相关的心脏毒性[7]，[8]。里程碑式的研究表明，特定心脏亚结构的辐射剂量与肺癌RT后的治疗相关心脏事件密切相关，同时强调了平均整个心脏剂量作为OAR指标的有限预测价值[9]，[10]，[11]。由于心脏是一个混合串行-并行器官，对冠状动脉或心脏瓣膜等关键亚结构的辐射损伤可能会影响整个心脏的健康[12]，[13]，[14]。因此，当前使用整个心脏剂量的OAR惯例可能会低估心脏风险，因为没有考虑到可能增加心脏毒性风险的亚结构的异质性剂量暴露。
心脏亚结构的手动轮廓绘制工作量大、耗时且受观察者间变异性的影响，使得这项任务难以融入临床实践。即使在增强对比度的情况下，小的亚结构（如冠状动脉）或在CT扫描中完全不可见的亚结构（如传导节点）在模拟CT图像上也极难区分。患者之间的解剖学差异以及成像过程中的心脏和呼吸运动相互作用会降低亚结构的视觉质量，从而降低轮廓的准确性。因此，自动化的深度学习分割工具可能有助于实现一致的大规模心脏轮廓绘制，以便临床应用和个性化胸部RT规划。
之前的深度学习模型用于心脏亚结构分割是在较小的样本量和有限的亚结构上训练的。此外，现有的开源数据集是为心脏成像目的开发的，这限制了它们对质量较低的胸部RT模拟图像和相关模型的泛化能力。为了解决这些限制，我们提供了一个大型、由专家标注的胸部放射治疗心脏亚结构分割数据集，包括69名左侧肺癌患者的增强对比度CT模拟扫描和21个心脏亚结构的回顾性手动标注。
我们提出了 DINO-CardiacSeg，这是一种基于 DINOv3 视觉基础模型的新心脏亚结构分割框架[15]。尽管 DINOv3 在自然图像和医学图像分割任务中表现出色，但其直接应用于CT时面临重大的领域差异，包括成像强度特性和编码解剖学上有意义信息的需要。为了解决这些限制，我们开发了一个领域适应的基础模型工作流程，使用大规模自监督学习来学习CT特定的表示。基于这个预训练模型，我们引入了一种专为高分辨率心脏亚结构划分设计的新分割架构。所提出的模型包括：（1）一个 DINOv3 适配器模块，通过可变形注意力注入领域适应的多尺度特征；（2）一个分层可变形注意力解码器，优化以捕捉细粒度的解剖边界，同时保留全局心脏上下文。
DINO-CardiacSeg 在我们的机构心脏亚结构数据集上优于多种最先进的2D分割方法（nnU-Net [16]、U-Net++ [17]、Swin-UNET [18] 和 Dino-UNet [19]），并且在微调后，在公共 TotalSegmentator 心脏子集上也保持了优越的分割精度[20]。通过实现精确的亚结构级剂量评估，这种方法支持患者特定的放射治疗规划，并提高了心脏剂量测量的精度，从而改善了辐射引起的心脏毒性的预测和预防。
章节片段
数据集特征
从机构电子健康记录中确定了2015年至2025年间在一家医疗机构接受光子放射治疗（RT）的69名左侧肺癌患者（36名男性，33名女性）（补充材料表A.1）。该队列包括被诊断为非小细胞肺癌和小细胞肺癌的患者。入选标准包括在治疗开始前1个月内有增强对比度CT模拟扫描。所有患者
结果
如补充材料表A.2所总结的，DINO-CardiacSeg 在 CardiacSubstructSeg 数据集上的所有评估指标中均取得了最高的整体性能。在经过Bonferroni校正的四个整体指标（α = 0.0125）后，DINO-CardiacSeg 在DSC（p = 0.001）、SDC（p = 0.0003）和ASSD（p = 0.008）方面显示出统计学上的显著改进。尽管DINO-CardiacSeg的HD95较低（p
讨论
在这项研究中，我们介绍了 DINO-CardiacSeg，这是一个针对增强对比度RT模拟CT上21个心脏亚结构划分的CT领域适应基础模型框架。通过在四个公共数据集中汇总的13,799个CT体积（4,440,784个轴向切片）上进行的大规模自监督预训练，该方法解决了自然图像预训练的DINOv3与临床CT成像之间的领域不匹配问题。通过结合带有可变形注意力的DINOv3适配器
CRediT作者贡献声明
李宇恒：撰写——原始草稿、可视化、方法论、调查、概念化。Vanessa L. Wildman：撰写——原始草稿、可视化、方法论、调查、概念化。Luke del Balzo：撰写——审阅与编辑、调查。Richard Qiu：Aparna H. Kesarwala：杨晓峰：撰写——审阅与编辑、验证、监督、资金获取、概念化。
资助
这项研究得到了美国国立卫生研究院的资助，资助编号为R21EB033994、R01CA272991和R01EB032680。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
