膀胱结构在CT与CBCT图像及自动勾画软件间的比较

赵紫婷，时飞跃，王敏，周蕾蕾，吴倩倩，蒋红兵,3

1. 南京医科大学附属南京医院（南京市第一医院）a. 医疗设备处；b. 肿瘤放疗中心；c. 医学影像学科，江苏 南京 210006；2. 南京医科大学 医学物理研究中心，江苏 南京 210029；3. 南京市急救中心，江苏 南京 210003

引言

宫颈癌放疗需要进行膀胱充盈，以保护自身与小肠等危及器官，减小受照剂量。但膀胱体积大小的不确定性，会导致分次治疗间的剂量偏差，需要加以监测，以实现充盈一致。目前对于宫颈癌放射治疗中如何保证膀胱充盈状态的一致性仍未取得共识，而临床中使用较多的膀胱容量测量仪尚不能实现膀胱体积与位置的全面实时评估。放射治疗前锥形束CT（Cone Beam CT，CBCT）扫描，不仅可以纠正体位偏差，减小放疗间的摆位误差[1-2]，还能从三维方向上分析和监测器官及靶区[3-4]，是实现适应性放疗（Adaptive Radiotherapy，ART）的基础。

但上述应用需要对CBCT图像中的感兴趣区域进行快速自动勾画，文献报道的CBCT图像自动勾画多为形变配准的方式[5-6]，少有研究对基于CT图像的深度学习自动勾画软件在CBCT图像中的可行性进行测试。这类软件在CBCT图像中的应用可能会受图像质量差异影响，但尚无研究对CT与CBCT图像的影像学信息与自动勾画软件在二者间的勾画精度进行量化分析。本研究分析了膀胱结构在CT及CBCT图像中的影像学差异，比较了基于CT图像的三款深度学习自动勾画软件在两种图像中膀胱结构的勾画精度，探讨利用现有软件自动勾画CBCT图像中膀胱结构的可行性，为使用CBCT进行膀胱充盈状态快速监测提供研究基础。

1 材料与方法

1.1 病例选择

回顾性分析我院收治的20例宫颈癌放疗患者，中位年龄53.5岁（34～87岁），取每例患者的定位 CT 图像与首次放疗前CBCT 图像各一组。入组病例均在CT定位扫描前排空膀胱后饮水约500 mL，待主观感觉尿急时，取仰卧位，采用ORFIT AIO一体化碳纤维固定底板及热塑网状膜给予体位固定后，采集定位CT图像。2～3 d后按照相同方式自主充盈膀胱，待主诉尿急时进行首次放疗。在加速器实施放射治疗计划前，通过机载CBCT采集包括患者整个膀胱区域的CBCT图像，并与定位CT进行自动与手动配准。配准后的图像存于Eclipse治疗计划系统中。

1.2 仪器设备

CT模拟定位机型号为西门子Sensation Open CT，盆腔扫描协议：120 kV，190 mAs，层厚5 mm，层间距5 mm，重建函数B31，重建矩阵512×512。医用直线加速器型号为瓦里安ClinaciX，其配备的机载影像（OBI）系统，可采集CBCT图像，使用时伸出 kV级X射线源和非晶硅平板探测器，旋转机架进行扫描。盆腔扫描协议：125 kV，80 mA，半扇扫描（Half Fan），范围45 cm，卷积核Ram-Lak，重建矩阵512×512，层厚2.5 mm。

1.3 自动勾画软件

1.3.1 AccuContour

MANTEIA公司的AccuContour精确自动勾画软件，提出了一种基于深度学习和传统算法模型结合的方法，运用多种网络结构模型、多种 loss结构融合训练，通过对训练集CT影像数据的学习，建立图像分割模型[7]。软件支持CT图像中多病种靶区及危及器官的自动勾画，并具有DSC值计算、影像组学特征分析等功能。本研究使用的AccuContour版本号为1.1.5。

大图医疗公司的rtStation是一款基于云架构的放疗医生工作站，通过云端计算，深度学习以及基于GPU的图像显示技术，为肿瘤放疗医生提供自动勾画、配准融合及剂量评估等工具，支持CT图像中头颈、胸腹部及盆腔等部位危及器官的自动勾画。其中，盆腔部的自动勾画模块使用3D-Unet架构执行CT影像数据的训练任务。本研究使用的rtStation版本号为 2.0.0。

1.3.3 DeepViewer

安徽慧软科技有限公司的DeepViewer软件，是一种运用深度学习和大数据技术的人工智能器官勾画系统，可识别并自动勾画 CT图像中的30 余种人体器官，简化放疗医师的工作，并具有执行流程自动化和数据来源多样化的特点[8]。本研究使用的DeepViewer软件版本号为1.0。

1.4 数据采集

所有CT图像中的膀胱结构均已经过临床确认，为放疗医生在Eclipse治疗计划系统中逐层勾画得到。为使结构轮廓更加流畅，对轮廓边缘进行统一的人工调整。之后在系统中选择与定位CT配准的CBCT图像，以CT图像中的膀胱结构为参考，结合窗宽窗位调节，逐层手动勾画CBCT图像中膀胱结构。将全部手动勾画的膀胱结构导出至AccuContour，采集体积（记为Vref）及影像组学的统计数据。

将DICOM格式的CT及CBCT图像分别导入至三款软件，进行膀胱结构的自动勾画。勾画完成后，将生成的结构文件导出至AccuContour，采集各软件自动勾画膀胱结构的体积（记为Vauto）。

1.5 数据分析

1.5.1 评价指标

（1）熵（Entropy），如式(1)：

将旁路节流阀9和调速阀6关闭，回油节流阀8全开，进油节流阀7调整到某一开度、启动液压泵1，调节溢流阀2，使系统处于低压0.5 MPa，通过电磁阀3的左位工作，慢慢调节节流阀7的开度，使工作油缸活塞杆运动速度适中，反复切换电磁阀3，使工作缸往复运动，检查系统工作是否正常。

ENT表示图像中纹理的复杂程度，是一个随机性的度量。如果一个图像的随机性越大，其共生矩阵中的值之间越相近，此时熵越大，图像的随机性或噪声越大[9]。其中，i、j分别是图中某点（x,y）及与其相隔一定距离的点（x+d,x+l）的像素值，（i,j）的个数为N（i,j），灰度共生矩阵（Gray-level Co-occurence Matrix，GLCM）中全部（i,j）的个数为

（2）逆差矩（Inverse Different Moment，IDM），如式 (2)：

IDM反应图像纹理的同质性，度量图像纹理局部变化的多少。值越大说明图像不同区域间变化越小。

（3）体积差异（ΔV%），如式(3)：

其中，Vref、Vauto分别表示图像中膀胱结构的手动勾画与自动勾画体积。

（4）Dice相似性指数（Dice Similarity Coefficient，DSC），如式(4)：

DSC用于评价两个集合之间的重合性，一般认为DSC＞0.7时，两个结构的一致性较好[10]。

1.5.2 统计分析

采用SPSS20.0统计软件，对20例手动勾画膀胱结构在定位CT与CBCT图像中的HUmean、ENT、IDM进行描述性统计，并行Wilcoxon秩和检验；对各软件在定位CT与CBCT图像中自动勾画膀胱结构的ΔV%、DSC进行描述性统计，并行Wilcoxon秩和检验，P＜0.05 为差异有统计学意义。

2 结果

膀胱结构在CT与CBCT图像中的ENT、IDM与HUmean列于表1，由表中数据可知CBCT中的ENT与HUmean较CT偏大，而IDM较CT偏小，Wilcoxon秩和检验显示三者间的差异均有统计学意义。图1显示了各病例CT和CBCT图像中手动勾画膀胱结构的HU均值及标准差。

表1 手动勾画膀胱结构在CT与CBCT图像的影像学数据

图1 CT与CBCT图像中手动勾画膀胱结构HU值

同一患者定位CT图像与放疗前CBCT图像中的自动勾画与手动勾画膀胱结构如图2所示。三款软件的自动勾画结果列于表2，由表中数据可知，三款软件在CT图像中的自动勾画膀胱结构DSC均值在0.9以上，在CBCT图像中的自动勾画膀胱结构DSC均值小于0.7，各软件在CT与CBCT中的自动勾画DSC值均有统计学差异（P＜0.01）。三款软件在各病例CT与CBCT图像中膀胱结构的自动勾画DSC值如图3所示，三款软件间在CT中的勾画结果无明显差异，同一软件在CT与CBCT间的勾画结果有较大差异。在CT图像中的自动勾画膀胱结构ΔV%均小于CBCT图像，差异在AccuContour、DeepViewer软件中有显著统计学意义（P＜0.01）。

图2 同一患者定位CT图像（a）与放疗前CBCT图像（b）中的自动勾画与手动勾画膀胱结构

表2 三款软件自动勾画膀胱结构的准确性

图3 三款软件自动勾画20例患者膀胱结构的DSC值

3 讨论

本研究通过影像组学指标定量评价CT与CBCT图像中膀胱结构的纹理特征差异，并将三款基于CT图像的自动勾画软件用于CBCT图像中膀胱结构的自动勾画测试，说明现有软件尚不能实现CBCT中膀胱结构的准确自动勾画，需要对图像或深度学习模型做进一步的处理、优化。以往与CBCT图像自动勾画相关的研究方法多为形变配准，包括图谱库和自配准两种方式。柏朋刚等[11]、陈开强等[12]应用ABAS软件，以宫颈癌患者定位CT图像中感兴趣区为模板，分别进行治疗中CT图像与CBCT 图像的自动勾画。结果显示，基于CT图像的CBCT自动勾画效果不如基于CT的CT图像自动勾画，考虑是由于图像间的差异造成的形变配准差异。胡晓伟等[13]评估了自动勾画软件MIM在头颈部CBCT危及器官自动勾画的可能性，将各鼻咽癌病例在CT与CBCT的相同结构通过自配准形变至目标CBCT中。结果除体积小于10 cm3的结构外，基于CBCT的自配准结果较基于CT的方法更准确。Qin等[14]应用ADMIRE软件，比较基于图谱库与自配准两种方法自动勾画头颈部危及器官，结果显示二者均达到临床可接受的水平，其中，CT至CT的自配准较CT至CBCT更准确。Takayama等[6]比较两种形变配准方法在前列腺癌患者各危机器官的CT至CBCT图像配准精度，其中膀胱结构的DSC分别为0.69±0.07，0.98±0.00。文献报道表明，头颈部解剖接近刚性，且器官移动少，易配准，因此形变配准的自动勾画在放疗头颈部肿瘤中应用广泛[12]。在盆腔肿瘤的应用中受到模板图像数量与分次放疗间个体膀胱充盈一致性的变化、个体憋尿情况差异、CT与CBCT间固有图像质量的影响，基于图谱库或自配准的自动勾画方法结果波动较大。

上述研究方法未涉及具体结构在CT与CBCT图像中的影像学信息，尚无使用基于CT图像的深度学习软件在两种图像中进行自动勾画精度的测试、比较。本文研究结果显示，CBCT图像中膀胱结构的HUmean、ENT显著大于CT图像，而IDM显著小于CT图像，即与CT图像相比，CBCT图像受散射污染影响严重，图像质量较CT差。自动勾画膀胱结构的对比结果显示，三款自动勾画软件均能在CT图像中准确勾画膀胱结构，DSC均达到平均0.9以上水平，但在CBCT图像中，自动勾画结构的DSC均值均未达到0.7，差异具有统计学意义。CT图像中的自动勾画膀胱结构ΔV%均小于CBCT图像，差异在AccuContour与DeepViewer两款软件中具有显著统计学意义。自动勾画结果有赖于建模数据与软件版本，本研究的分析结果仅限所用软件的当前版本。

综上所述，应用rtStation、AccuContour、DeepViewer三款软件自动勾画宫颈癌患者CT图像中的膀胱结构，均能够达到或接近手工勾画的准确性，但由于成像原理和成像条件不同，CBCT图像存在高噪声、低软组织对比度且伪影严重的问题[15]，导致上述软件不能直接用于CBCT图像中膀胱结构的准确自动勾画，需要对图像或深度学习模型做进一步的处理、优化，如减少CBCT噪声[16]、将CT图像转换为伪CBCT图像[17]、应用无监督网络执行CBCT训练任务[18]、将含标注的CBCT图像作为深度学习网络模型训练集等。CBCT图像自动勾画的研究将有助于盆腔放疗患者的膀胱充盈度快速监测，并为在线ART的实现提供参考。

致谢

衷心感谢Manteia数据科技有限公司、大图医疗科技有限公司、安徽慧软科技有限公司在AccuContour、rtStation、DeepViewer软件使用中提供的技术支持。