《Physics and Imaging in Radiation Oncology》：Deep learning-enhanced image registration for accelerating daily adaptive magnetic resonance imaging-guided prostate radiotherapy
编辑推荐：
背景与目的：每日自动勾画仍然是磁共振引导自适应前列腺放疗（MRgRT）工作流程中的瓶颈。本研究提出并临床验证了一种新颖的深度学习增强可变形图像配准（DIR）解决方案，以加速这一关键步骤。材料与方法：研究人员在MR-Linac上为5分次前列腺MRgRT（5×7.
背景与目的：每日自动勾画仍然是磁共振引导自适应前列腺放疗（MRgRT）工作流程中的瓶颈。本研究提出并临床验证了一种新颖的深度学习增强可变形图像配准（DIR）解决方案，以加速这一关键步骤。材料与方法：研究人员在MR-Linac上为5分次前列腺MRgRT（5×7.25 Gy）实施了一个混合框架，该框架结合了在计划/每日MRI上分割膀胱/直肠的3D nnU-Net与内部DIR算法。DIR利用nnU-Net轮廓传播靶区和感兴趣器官结构。该解决方案在275例患者/1375个分次中进行了临床部署和评估。结果：临床引入后的评估显示，中位勾画时间约为190秒，比之前使用的供应商解决方案所需时间缩短了一半。定量评估显示与临床批准的轮廓高度一致：大多数结构的Dice相似系数>0.9，95%分位Hausdorff距离<2.0 mm。结论：所实施的解决方案展示了可靠、高精度的每日自动勾画，显著加速了MRgRT工作流程。它已成为研究人员所在机构的前列腺治疗标准。未来工作将把该方法扩展到其他治疗部位和模式。
**论文解读：深度学习增强的图像配准加速每日自适应磁共振引导前列腺放疗**
**研究背景与问题**
磁共振（MR）引导放射治疗（RT）在前列腺癌中实现了每日基于患者解剖的治疗计划自适应。该过程通常在每个分次开始获取3D MR图像，以考虑相对于初始离线计划的位置和解剖变异。准确勾画靶区和感兴趣器官（OoI）是自适应工作流程的关键。然而，手动勾画耗时，成为在线自适应MR引导RT的物流瓶颈。现有自动勾画工具多基于可变形图像配准（DIR）或深度学习（DL）方法。DIR方法在复杂变形区域表现不佳，而DL方法在分割OoI上表现良好，但在识别GTV和CTV等边界不清晰结构时面临挑战，且需重新训练以适应成像协议变化。供应商提供的自动勾画通常需手动调整，导致每分次延迟数分钟。因此，研究人员旨在提出一种快速、准确的每日自动勾画框架，整合DL和DIR的互补优势。
**研究内容与结论**
研究人员提出并临床验证了一种名为“EvoDL”的混合框架，该框架结合了3D nnU-Net分割膀胱/直肠与内部开发的可变形图像配准算法（Evolution）。该框架在275例前列腺癌患者（5×7.25 Gy，Elekta Unity MR-linac）的1375个分次中进行了临床部署和评估。结果显示，中位勾画时间约190秒，比之前使用的供应商解决方案（Monaco 6.2.1）的中位时间（约470秒）缩短一半以上。定量评估表明，初始轮廓与临床批准轮廓高度一致：75%以上的Dice相似系数（DSC）≥0.95，95%分位Hausdorff距离（HD95）<2.0 mm。该研究发表在《Physics and Imaging in Radiation Oncology》上，具有重要意义：EvoDL已成为研究人员所在机构的前列腺治疗标准，显著加速了MRgRT工作流程，并计划扩展到其他治疗部位和模式。
**关键方法**
研究人员采用了以下主要技术方法：
1. **深度学习自动分割**：使用全分辨率3D nnU-Net在计划MRI和每日MRI上分割膀胱和直肠，作为引导轮廓。该网络基于115例前列腺癌患者的计划T2加权MR图像和临床医生勾画进行训练。
2. **可变形图像配准**：内部开发的Evolution算法，一种基于梯度的轮廓引导DIR，通过最小化成本函数来估计变形场。成本函数包括数据保真项D（对齐相似对比度模式）和引导约束项K（惩罚引导轮廓的错位），并辅以正则化项。
3. **数值实现**：采用Gauss-Newton迭代求解器，粗到细的多分辨率方案，在256×256×256网格上执行配准，GPU加速（nVidia RTX A5000，CUDA 11.8）。
4. **样本队列来源**：275例中危前列腺癌患者，接受5×7.25 Gy治疗，扫描参数见原文表1。所有患者来自MOMENTUM研究（NCT04075305），在UMC Utrecht治疗。
**研究结果**
**3.1. 临床前评估**
在10例患者（105个图像对，包括50个分次间和55个分次内）的定性评估中，大多数情况下EvoDL无需或仅需少量调整。具体地，CTV有70例无需调整，31例少量调整，4例需多次重大调整；膀胱有91例无需调整，22例少量调整，2例需多次重大调整；直肠有101例无需调整，4例少量调整。所有调整均在2分钟内完成，表明框架安全且高效。
**3.2. 临床后评估**
在275例患者（1375个分次）中，与临床批准轮廓相比，EvoDL初始轮廓的DSC中位数：膀胱环为0.98，直肠环为0.97，CTV为0.96；HD95中位数：膀胱环为0.70 mm，直肠环为0.70 mm，CTV为2.00 mm。75%的分次DSC≥0.95，HD95<2.13 mm。存在少数失败案例：10个分次因DL未能可靠分割膀胱，9个分次因配准无法处理>2.5 cm的大位移，但这些被放射治疗师（RTT）及时发现并纠正，不影响治疗安全。
**3.3. 时间效率**
EvoDL的中位勾画时间从Monaco 6.2.1的约470秒降至约190秒（p<0.01），包括约90秒软件计算延迟和RTT修正时间。各分次间勾画时间无显著差异（p=0.85）。临床引入后3.5个月内，勾画时间保持稳定，仅略有增加趋势，无异常模式。
**总结与讨论**
研究人员指出，EvoDL通过结合DL分割和DIR，实现了高精度自动勾画，将勾画时间减半，且精度符合AAPM 132工作组指南。与Konrad等纯AI方案相比，EvoDL在节约时间上更优（3.1分钟 vs 5.3分钟），但OoI勾画范围（2 cm环 vs 3 cm环）可能影响比较。DL失败或大位移导致极少数不良情况，但被RTT有效纠正。EvoDL的混合设计利用了nnU-Net在MRgRT中的分割性能及Evolution的稳定配准能力，同时提供变形矢量场用于剂量累积等任务。框架预期可推广至其他部位，仅需重新训练nnU-Net。未来可考虑“轻量自适应形状”方法进一步减少验证时间。
**研究结论**
所实施的方法展示了高精度，符合图像引导自适应放疗中DIR技术的使用指南。此外，与之前使用的供应商解决方案相比，中位勾画时间几乎减半。即便如此，需考虑人工操作员验证轮廓可能带来90–120秒的延迟，即使无需调整。未来工作流程可考虑采用“轻量”自适应形状方法，即仅当轮廓超出预定边界时才进行修正，而非力求精确复制计划勾画到每日解剖。在可预见的未来，研究人员所在RT部门将继续使用EvoDL作为5×7.25 Gy MR引导前列腺RT自适应工作流程的一部分，并正在探索扩展到其他治疗方案、部位和模式。
