基于图谱自动分割在乳腺及淋巴结放疗中的临床评估
研究对100例放疗计划CT的乳腺、淋巴结、肺、心脏及臂丛进行回顾性勾画,比较不同图谱组大小及特征特异性图谱和测试病例选择对基于图谱自动分割(ABAS)精度的影响。结果显示,仅需10个图谱即可获得高质量AS;图谱及匹配测试病例选择未改善精度;质心距离变异(CDV)可定位分割变异,帮助判断临床相关性并减少编辑。
要点
- 仅需10个本地图谱即可获得高质量ABAS,简化临床应用。
- 基于胸壁分离、治疗体位及匹配测试病例选择图谱未改善AS精度。
- CDV可显示x、y、z轴分割变异位置,有助于判断临床相关性并减少编辑。
核心结论
- 研究结果否定了通过图谱或匹配测试病例选择提高ABAS适形性结局的假设。
- 仅需10个模板图谱即可获得高质量ABAS,且基于乳腺分离、治疗体位和匹配病例的图谱选择未带来AS效能获益。
- CDV作为指标有助于定位分割变异并减少放疗科医生的编辑工作。
研究设计与样本
- 回顾性数据分析研究,经Health Research Authority批准(REC编号11/HRA/0379),由Imperial College London资助。
- 随机选取100例放疗计划CT,由一名临床医生依据同行评议指南回顾性勾画乳腺、区域淋巴结、肺、心脏及臂丛,并由同一医生和两名独立乳腺肿瘤顾问医生验证。
- 使用Mirada Workflow box 1.4软件(Mirada Medical Ltd.,英国)进行基于图谱的自动分割,采用多图谱分割(MAS),先刚性配准后形变图像配准(DIR)。
- 创建7个图谱组,分别包含10、20、25、30、40、45和50个异质性/混合图谱;在10个测试病例上创建AS以评估精度与图谱组大小的关系。
- 以Jaccard相似系数(JSC)和质心距离变异(CDV)描述AS与参考轮廓的相似性,使用SPAARC软件包计算。
诊断标准与关键数值
- JSC取值范围0–1,1表示结构与参考轮廓100%重叠,即AS效能高。
- CDV正值表示较参考轮廓过度勾画,负值表示勾画不足。
- 所有结构合并的平均JSC在10、20、25、30、40和45个图谱组中均为0.6(SD 0.3,p = .999)。
- 较大结构合并(乳腺、心脏、肺和1级淋巴结)平均JSC为0.8(SD 0.2,p = .999),较小结构合并为0.4(SD 0.2,p = .999)。
- 特征特异性图谱组所有结构合并平均JSC为0.6(SD 0.3,p = 1.000),较大结构0.8(SD 0.15,p = .999),较小结构0.5(SD 0.3,p = 1.000)。
临床应用与阅片要点
- 作者认为,由于患者CT扫描无需与图谱特征匹配,AS可由任意图谱组合创建,便于ABAS在临床实践中直接应用。
- 作者指出,4级淋巴结内侧(−0.3 cm)和外侧(−0.5 cm)及3级淋巴结外侧(0.7 cm)的平均AS变异可能影响PTV剂量覆盖,具有临床相关性,需要编辑。
- 作者指出,1级(−1.2 cm)和2级(−0.4 cm)淋巴结后方向的AS变异可能影响深部PTV剂量覆盖,具有临床相关性,需要校正。
- 作者指出,肱骨头前方向平均变异0.4 cm不决定放疗计划中的肱骨头遮挡,无需编辑。
- 作者建议,利用CDV将变异位置信息转化为临床相关性判断,以减少临床医生编辑。
局限性
- 本研究的分割来自标准化且经过质量保证的「数据库」,可能与其他临床医生勾画的模板图谱不同。
- 依赖单人勾画既是研究优势也是弱点;观察者间变异被最小化,但可能影响所绘制结论的有效性。
- 该模型的未来研究和发展需要在多机构环境中验证更多AS解决方案并确认结果。
- 作者预计不久将发表该AS模型与深度学习比较的结果。
全文中译10 节 · 点击展开
引言
乳腺癌是全球最常见的癌症。1 63%的乳腺癌患者将放疗作为其初始治疗的一部分。2 辅助性局部区域放疗可显著降低乳腺及淋巴结癌症的复发率和死亡率。3–5 一项多中心3期试验的结果强烈推荐进行淋巴结(LN)勾画和三维(3-D)放疗计划。6 高效的三维计划要求剂量适形于治疗体积并改善治疗结果。同样,最小化对危及器官(OAR)的照射剂量可减少副作用。7
因此,精确勾画是高精度放疗不可或缺的组成部分。然而,手动勾画耗时且存在显著的观察者间和观察者内变异。8–10 尽管勾画指南已被证明可提高准确性,但其他因素,包括培训差异、图像质量、人为错误、临床医生变异性、判读、放射学输入和临床经验水平,也会导致变异性。11,12
虽然基于图谱的商用自动分割(ABAS)缺乏准确性,但它改善了工作流程效率,因为编辑自动分割(AS)比从头勾画更高效。6,13–18 这些模型通常为机构提供模板图谱,因为创建专家/模板图谱可能昂贵、耗时,且在繁忙的放疗工作流程中不切实际。这些商用图谱不一定代表本地、国家或国际勾画标准,因此可能需要过多且耗时的修改,可能使放疗科室不愿将AS作为标准实践采用。然而,该软件允许用户创建和分组模板图谱(本地先前勾画的图像)。在创建新的AS时,算法从模板图谱中提取信息。可变形图像配准(DIR)使图谱图像与患者/测试病例图像实现精确的空间对应,并将图谱轮廓变形至患者坐标。使用图谱子集而非整个数据库可优化对合适图谱的搜索、减少DIR迭代并提高计算速度。19 成功的AS解决方案相互依赖于专家模板图谱的数量和质量以及DIR。
大多数AS临床验证研究是在头颈部部位进行的。由于患者之间的解剖变异以及解剖腔内的器官运动,ABAS在腹部和胸部的实施更具挑战性。乳腺放疗中的19项AS报告通常仅包括乳腺和区域淋巴结照射期间所需的部分结构。20–22此外,最佳图谱数量似乎是一个被忽视的研究课题;大多数研究每组纳入10–20个图谱。20,23,24为提高AS准确性,Rohlfing提出从大型数据库中为特定患者选择更合适的图谱模板。25一项关于脑磁共振成像(MRI)的ABAS研究也报道,使用最佳图谱选择和增加所选模板数量时准确性有所提高。然而,较少的模板在具有适当解剖变异性的情况下即可达到高准确性。Wu得出结论,不同ROI可能需要不同的图谱数量。26理论上,在广泛数据库上进行完美图谱选择可能使AS等同于专家手工勾画。15其他研究报道,乳腺的AS轮廓比臂丛和锁骨上淋巴结更好地代表了“真实”体积。尽管需要修正,他们 aussi报道了节省时间的优势,并确认在推进计划设计之前需要进行AS修正。15基于剂量学评估结果,一项多机构研究推荐在临床环境中使用AS以节省时间,尽管在计划设计前需要编辑。6,27
我们假设,通过为临床环境开发图谱数据库,并在创建AS时选择具有特定特征的图谱和测试病例,可以增强ABAS的结果。
本研究旨在寻找一种便于临床使用的模型来优化AS并减少临床医生编辑。未探索深度学习(DL)AS方法,因为认为更多数据会带来更好结果。28,29我们的数据集由100个高质量CT结构集组成,适合使用ABAS创建分类聚类,并避免图谱组中测试病例的重复。
方法和材料
构建图谱库和质量保证
鉴于模板图谱准确性影响AS结果,19我们创建了一个由高度标准化轮廓组成的CT结构集数据库。随机选择100个放疗计划CT,并使用Prosoma(V.4. Oncology Systems Limited,英国)回顾性勾画解剖结构。轮廓包括乳腺、区域淋巴结和危及器官(图1)。我们还合并了单个淋巴结组:3级和4级,以及1、2、3和4级,如放疗计划期间使用的临床靶体积(CTV)所示。
数据集被分为图谱和测试病例。模板图谱被聚类为图谱组,测试病例图像用于AS,并与同一CT图像的参考轮廓进行比较。
一位专家临床医生遵循同行评审指南以尽量减少观察者间变异性并确保一致性。乳腺和淋巴结、心脏和臂丛分别使用欧洲放射肿瘤学会(ESTRO)、放射治疗肿瘤学组和Hall指南。30–32同一位临床医生和两位独立顾问乳腺肿瘤学家验证了轮廓的准确性,并尽量减少观察者内变异性。
图谱组选择
假名化CT结构集被传输至自动分割(AS)软件(Mirada Workflow box 1.4,Mirada Medical Ltd.,英国)。通过随机选择,我们创建了七个图谱组,分别由10、20、25、30、40、45和50个异质性/混合图谱组成。在十个测试病例上创建AS以确定准确性是否与图谱组大小相关。在含25和45个图谱的组中使用了不同的测试病例图像以提高稳健性。
描述性文件名便于离线图谱采样、创建特定特征图谱组,并通过避免重复模板图谱来防止偏倚。图谱根据非图像信息(如治疗体位和胸壁间距)进行排序(图2)。治疗体位组包括15°和20°的乳腺板倾斜变量。胸壁(CW)间距由内侧和外侧CT标记之间的距离确定。“大”组中的所有图谱均为大间距,在15°或20°倾斜角下扫描。“20°大”组包括大间距、以20°倾斜角扫描的图谱。因此,图谱组“20°大”和“15°小”之间的相似性超过了“大”和“15°”组。最后,我们将分类测试病例与分类图谱进行比较,区分匹配测试病例(MTC)和非匹配测试病例(NMTC)。
配准与融合
我们使用Workflow Box进行图谱分割。Mirada使用刚性配准后接可变形图像配准(DIR)。本研究采用多图谱分割(MAS),即在多个图谱上重复配准和变形,并将变形场融合为共识轮廓。19,33,34 该算法是Lucas-Kinade光流法的衍生物。35,36
分析方法
图3a展示了AS与心脏参考轮廓之间的典型差异。
由于分割不足或过度分割会导致治疗不足或过度治疗,我们在图3b中使用Jaccard相似系数(JSC)37描述了结构间的交并比。该指标范围为0至1;1表示结构间100%重叠,因此代表高度的AS效能。
体积重叠指标(如JSC)不一定能反映AS变异的临床相关性。25,37,38 因此,我们通过计算质心距离变体(CDV)来确定参考轮廓与AS之间的体积位移。质心距离被定义为在与CT扫描轴位切片相关的x、y、z坐标系上,结构到结构中心的最内侧、最外侧、最上方、最下方、最前方和最后方的范围(图3c)。本研究未分析JSC < 0.5的治疗结构(胸肌间和内乳淋巴结)以及心脏和肺的CDV数据;心脏和肺结构通常由治疗计划系统成功勾画。JSC和CDV均使用SPAARC软件包计算。39
我们分析了图谱数量、图谱特定分组和测试病例选择对自动分割效果的影响,比较了各组间的JSC和CDV。与参考轮廓相比,CDV正值表示过度勾画,负值表示勾画不足。我们还检查了特定结构的CDV均值,以确定变异和临床医生修改的临床相关性。此外,我们收集了创建参考轮廓和AS所需时间的数据,但未强调时间节省。
统计方法
使用Microsoft Excel 365(2019版)计算描述性统计量,包括JSC和CDV的均值、标准差(SD)、勾画时间和p值。采用单因素方差分析比较不同组间的均值并计算R2;报告校正值。
伦理考量
健康研究管理局和研究治理经理批准了这项回顾性数据分析研究(REC参考号11/HRA/0379)。帝国理工学院伦敦分校赞助了本研究。
结果
每例的平均AS和手动勾画时间分别为107分钟(SD 23)和4分钟。
我们探讨了JSC与图谱组大小之间的关联(图4)。对于所有结构合并分析,在分别由10、20、25、30、40和45个图谱组成的组中,平均JSC为0.6(SD 0.3,p = .999)。在相同的图谱组中,较大结构合并(乳腺、心脏、肺和第一站淋巴结)的平均JSC为0.8(SD 0.2,p = .999),较小结构合并为0.4(SD 0.2,p = .999)。JSC与组大小(R2 = −0.20)以及JSC与结构体积(R2 = −0.007)之间的相关性较弱。
我们还探讨了JSC与基于不同胸板倾斜角度、胸壁分离度、非匹配测试病例以及异质性/混合图谱的特定图谱组之间的关联。各结构的单独数据展示于图5,按结构体积从大到小排列。所有结构合并的平均JSC为0.6(标准差0.3,p = 1.000),较大结构为0.8(标准差0.15,p = .999),较小结构为0.5(标准差0.3,p = 1.000)。合并的淋巴结体积、1至4级及3至4级未纳入本分析。JSC与图谱类别之间的相关性(R² = 0.027)以及JSC与结构体积之间的相关性(R² = −0.185)也较弱。
各图谱组(大MTC、15° NMTC和异质性)及各结构的CDV结果见表1。纳入所有结构时,总体平均变异值分别为0.1、0和0.1 cm(标准差0.0)。然而,各图谱组中特定结构的平均CDV在0至1.2 cm之间变化(表2)。
讨论
我们建立了一个经过质量保证的CT数据库,包含乳腺及淋巴结放疗计划中常规需要的勾画结构。100例病例的总手动勾画时间,不包括检查和编辑时间,为178小时。这些CT结构集在ABAS中作为训练和测试病例使用。
虽然预期JSC重叠结果应随图谱组大小增加而提高,但我们的研究结论是,仅需少至十个本地生成的基于CT的图谱即可获得高质量的自动分割(AS),这简化了ABAS在放疗科室的应用。既往基于脑部MRI图像的研究,每组最多使用13个图谱,提示多图谱方法优于单图谱方法。26 尽管我们未探索单图谱方法,但我们探索了每组10至50个连续采集的图谱,并排除了使用超过10个图谱组所带来的准确性获益。
心脏、肺、乳腺和肱骨头的JSC结果在(0.8,0.9)范围内,而其他研究报告的Sorenson Dice相似系数(DSC)为0.8,21等于0.7(JSC)。40 对于较小结构(臂丛、胸肌间和内乳淋巴结),各图谱组的JSC在(0.5,0.6)之间。Ciardo等人报告了肺、心脏、臂丛和锁骨上淋巴结的可比结果。41
先前讨论的乳腺AS图谱选择策略包括胸围和侧别。41 这是首项将模板图谱按不同治疗体位和CW分离组进行分层的研究。结果表明,特征特异性图谱组与异质性图谱组之间,或NMTC与MTC AS之间,JSC无显著差异(图5)。因此,患者CT扫描不必与图谱特征匹配,AS可由任意图谱组合创建,从而使ABAS在实践中应用简便。
在分析不同组大小和图谱特异性组时,我们确认JSC值与结构体积大小之间存在弱相关。值得指出的是,JSC指标与体积相关,较低的JSC值不一定与更多临床医生编辑相关;临床医生编辑更可能与乳腺组织有关。42
本研究分别纳入了由3水平和4水平,以及1、2、3和4水平淋巴结组组成的联合淋巴结CTV。由于JSC结果与单独勾画的淋巴结体积比较良好(图5),在模板图谱中勾画联合CTV而非单独淋巴结组可能节省时间,并避免放疗计划期间的体积合并。
JSC和CDV指标在各图谱组间均产生相似的适形性差异,并否定了ABAS适形性结果可通过图谱或匹配测试病例选择来改善的假设。然而,CDV在个别结构上各图谱组间存在差异,提示可对个别结构应用不同图谱组/模板以实现最佳AS。由于这会使临床实践中的应用复杂化,使用异质性图谱组并将变异位置的知识转化为临床相关性、减少临床医生编辑似乎是合理的。我们确定了11个需要在放疗计划前审查的变异位置。这些位置包括乳腺内侧和后侧、1水平和2水平淋巴结后侧、3水平外侧、4水平淋巴结外侧和内侧,以及臂丛内侧、后侧和前侧(表2)。
乳腺治疗计划通常涉及放置大切线野,而非对计划靶区进行三维适形放疗(3DCRT)。我们未考虑乳腺和淋巴结野之间交集区域的结构校正。由于正常组织、乳腺实质和1水平淋巴结组织之间的组织密度图像对比度低,上侧、后侧和外侧的手工勾画准确性变异较为常见。9 考虑到手工勾画变异,AS修改可能受到类似问题的影响,且不太可能对治疗计划产生显著影响。
淋巴结治疗野包括4区、3区和4区、以及1、2、3和4区的组合。随后,照射野的放置由4区淋巴结的内侧界和外侧界、3区淋巴结的外侧范围以及1区淋巴结的外侧范围决定。
4区淋巴结内侧界(−0.3 cm)和外侧界(−0.5 cm)以及3区淋巴结外侧界(0.7 cm)的平均AS变化可能影响PTV剂量覆盖,具有临床相关性,将需要编辑。然而,在修改3区淋巴结外侧界时,必须避免治疗野与手术夹之间的重叠,从而尽量减少放射副作用。
1区(−1.2 cm)和2区淋巴结(−0.4 cm)在后方向上的AS变化(表1)可能影响深部PTV剂量覆盖,具有临床相关性,因此需要校正。
2区淋巴结位于胸肌间淋巴结后方,位于3区和1区淋巴结之间,从不作为独立的淋巴结组进行治疗。内侧和外侧野边界不太可能受AS变化影响。同样,肱骨头前移变化(平均0.4 cm)在放疗计划中不决定肱骨头屏蔽,不需要编辑。
臂丛的手动勾画存在问题且差异较大;CT扫描上低组织密度和图像对比度使识别标志结构具有挑战性。不出所料,臂丛的CDV大于其他结构。在三维适形放疗(3DCRT)中,可以计算第一肋与锁骨交界处的剂量,臂丛在该处可能接受最高剂量。然而,在计划调强放疗(IMRT)和容积旋转调强放疗(VMAT)时,勾画整个臂丛至关重要。使用AS代替手动勾画可能是应对这些挑战的首选方案。
本研究中的分割来源于标准化且经过质量保证的“数据库”,可能不同于不同临床医生勾画的模板图谱。依赖单人勾画既可被视为研究的优势也可被视为劣势;观察者间变异性被最小化,但可能影响所得出结论的有效性。然而,勾画和审核临床医生参加了ESTRO勾画指南培训以进一步最小化观察者内变异性,其经验水平分别为10年、5年和15年。
该模型的未来研究和开发需要在多机构环境中验证更多AS解决方案并加以确认。我们预计很快发表比较该AS模型与深度学习的结果。
在Dice相似系数和95% Hausdorff距离方面,深度学习(DL)方法在某些CTV(例如3区腋窝和内乳淋巴结、心脏)中显示出与ABAS相比具有竞争力的结果。14然而,报告值差异显著,使得一致的模型比较变得困难。43此外,需要标准化验证指标来评估AS模型的临床可接受性和调试。44本研究中使用的CDV指标表明AS在x、y和z轴上的变化,突出了基于临床相关性进行修改的重要性。用于数据处理的软件解决方案通过IBSI国际合作针对数字体模进行了验证。39,45
结论
研究结果否定了可通过图谱或匹配测试病例选择来改善ABAS适形性结局的假设。仅需少至十个模板图谱即可获得高质量ABAS。此外,我们的研究结果证实,基于乳腺分离度、治疗体位和MTC的图谱选择并不能提高AS效能,从而简化了ABAS的应用。
尽管AS方法不断发展,AS仍不能代表与参考图像的完美匹配。我们的研究证明了应用CDV作为指标以帮助减少放疗科室临床医生编辑的潜力。
引用
- Welgemoed C, Spezi E, Riddle P, et al. Clinical evaluation of atlas-based auto-segmentation in breast and nodal radiotherapy. Br J Radiol. 2023. PMID: 37493138. doi:10.1259/bjr.20230040
- 全文:PMC10461279(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10461279/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。