Nat. Commun.：头颈癌高精度临床器官风险区自动描绘方法

摘要

摘要图
该研究提出了一种名为SOARS（分层器官风险区分割系统）的深度学习模型，专注于头颈部肿瘤辐射治疗中的42个器官风险区的自动分割。研究基于多机构数据训练模型，展示了SOARS在分割精度、临床适应性及减少医生工作量上的卓越表现，相较于现有方法提升了3%-5%的Dice系数，并显著降低了分割误差。

关键词

  • 头颈癌 (Head and Neck Cancer)
  • 器官风险区 (Organs-at-Risk, OARs)
  • 深度学习 (Deep Learning)
  • 辐射治疗 (Radiotherapy)
  • 神经网络 (Neural Network)

研究背景

头颈部肿瘤的放射治疗对正常器官的精确保护至关重要，传统的手动描绘方法耗时且受医生经验限制，导致大部分机构仅绘制少量关键器官区域，这可能遗漏其他重要器官的剂量分布信息。近年来，深度学习方法逐步应用于自动分割领域，但大多数现有方法仅支持20个左右的器官分割。本研究旨在开发一种高效且全面的分割系统，以实现更广泛的器官覆盖及更精确的临床应用。

创新点

  • 提出了分层学习框架，将器官分为锚定级、中级、小型复杂级别进行分割。
  • 使用神经网络架构搜索（NAS）优化了不同器官类别的网络结构。
  • 在多机构大规模数据上验证了模型的泛化性能。
  • 显著减少了医生手动修订分割结果的时间。

研究内容

SOARS系统采用了分层处理和NAS优化架构，将器官分为锚定级、中级及小型复杂器官，通过三个不同分支分别处理。模型训练基于来自6家机构的1503例患者数据，内部和外部测试集中覆盖了42个器官。实验表明，SOARS在分割准确性、临床适用性和辐射剂量评估方面优于现有方法，尤其在小型复杂器官的分割中表现突出。

图1
图1 | 研究流程图。

我们总共收集了1503例头颈部（HN）癌症患者来开发和评估所提出的分层器官危险分割（SOARS）的性能。

图2
图2 | SOARS对42个风险器官的分割性能可视化结果。

内部测试数据集中四个样本影像的锚定、中层及小而难分器官分割的定性对比。红色箭头指向代表SOARS比对比方法（如UaNet）更好的分割结果。多中心外部数据集中的一些典型样本，并通过人工标注、UaNet预测和SOARS预测进行对比。

图3
图3 | 人类专家对SOARS预测结果的修订评估。

柱状图显示了锚定层、中层及小而难分器官类别的修订情况，绝大多数SOARS预测仅需轻微修改或无需修改即可被临床接受。轻微修改定义为<1分钟；中等修改为1-3分钟；无严重修改的需要。

图4
图4 | 不同OAR轮廓设置对剂量学指标的影响。

(a) 显示了某患者的直接剂量学对比示例，分别在两个解剖位置中展示不同OAR轮廓对剂量分布的影响。(b) 显示剂量-体积直方图（DVH）。(c) 散点图展示了不同轮廓集对直接剂量差异的影响，包括SOARS、SOARS修订版以及人工标注。

图5
图5 | SOARS框架结构示意图。

(a) SOARS将OAR分层为锚定、中层及小而难分类别，并利用锚定层指导其他类别的分割。(b) 使用NAS优化的分割网络骨干架构。(c) 展示了NAS卷积设置。

结论与展望

SOARS通过分层学习和NAS优化显著提高了头颈部42个器官的分割精度和效率，大大减少了医生的工作量。未来，SOARS有望扩展至其他解剖区域，进一步支持多机构放疗剂量学研究及改善患者治疗质量。

论文直达

原文标题：Comprehensive and Clinically Accurate Head and Neck Cancer Organs-at-Risk Delineation on a Multi-Institutional Study

Nat. Commun. 2022, 13, 6137.

点击以下链接阅读原文：

原论文链接 >>>