TOPOS：基于定位像的靶器官预测用于CT自动扫描规划

引言

计算机断层扫描（CT）已成为现代诊断影像学的基石，近几十年来检查量稳步增长[1–3]。这种广泛的应用使CT成为全球医疗辐射暴露的主要来源[4]。尽管CT检查仅占所有使用电离辐射检查的9%，但其辐射暴露占比高达60%[5]。因此，持续开发和实施有效的CT剂量优化策略对于减少不必要的辐射暴露至关重要。

影响辐射暴露的一个关键参数是扫描长度，即需要检查的解剖区域。放射技师通过参考正位或侧位概览X线片（通常称为 scout view X线片，也称为定位图、扫描图、概览X线片或定位X线片）手动确定扫描长度。在本研究中我们统一使用术语 scout view，以反映文献中的常见用法。由于辐射暴露与扫描长度直接相关，针对临床问题量身定制的扫描范围优化可以大幅降低辐射剂量[6–8]。然而，由于对感兴趣区域精确覆盖的不确定性，常常导致预防性地手动扩大扫描范围，从而造成扫描野的手动过度扩展。其结果是在临床实践中30–60%[9, 10]的病例出现过度扫描，并导致辐射剂量显著增加[11, 12]。此外，不断增长的工作量[2, 13]加上放射科的高职业倦怠率，形成了一个自我强化的循环，研究表明在高通量环境中[10]以及经验较少的放射技师中[9]过度扫描率显著更高。

人工智能（AI）为这些挑战提供了潜在的解决方案，并已成功应用于CT成像的各个方面，包括患者体位、协议选择、去噪和图像重建[14–17]。然而，利用AI自动勾画最佳扫描范围的研究探索甚少，现有研究主要局限于胸部区域[18–20]。为填补这一空白，本研究旨在开发和验证一种AI模型，该模型能够准确分割scout view中多个对确定不同身体区域扫描范围至关重要的解剖结构，并随后评估其在自动化CT扫描计划中的效能。

材料与方法

研究设计

本单中心回顾性队列研究分析了2022年1月1日至2025年1月1日期间进行的CT检查。研究获得当地机构审查委员会批准，因回顾性研究设计而豁免知情同意。目标人群包括研究期间接受头部、颈部、胸部、胸至盆腔及腹至盆腔区域CT成像的所有成年患者（年龄>18岁）（n = 154,752）。从该符合条件的人群中，使用Python中实现的伪随机数生成器随机选取了1548次检查的子集，以确保病例选择的公正性。随后排除以下患者：（1）定位像为侧位投影，或（2）成像质量不符合诊断标准（由一名委员会认证的放射科医师（L.C.A.，9年经验）判定）。排除后，最终队列包含1146例患者。患者纳入流程见图1，患者特征见表1。为评估模型在各扫描区域的分割性能，我们通过按解剖区域分层随机选取100例病例组建了测试队列A，其分布与训练集大致相似，同时有意富集了代表性不足的区域（头部、颈部和胸部）。测试队列B由胸部和上腹部扫描各23例及15例颅脑病例组成，用于评估基于模型生成的分割掩膜的确定性扫描范围选择程序的性能，包括z轴覆盖准确性和辐射剂量降低。选择分为两个独立测试队列是为了将技术分割性能与下游临床评估解耦，并降低在评估扫描范围预测和剂量降低时对解剖结构较简单病例的选择偏倚风险。训练集和测试集之间无患者重叠。

CT成像

本研究纳入来自五台不同CT扫描仪的成像数据：Siemens Somatom Definition（64排，Siemens Healthineers）、Siemens Somatom Go Top（128排，Siemens Healthineers）、Philips iCT（256排，Philips Healthcare）、Philips IQon（256排，Philips Healthcare）和Philips Incisive CT（128排，Philips Healthcare）。平面内像素大小为：Siemens Somatom Definition 0.977 × 0.977 mm，Siemens Somatom Go Top 0.590 × 0.590 mm，Philips iCT 0.801 × 0.801 mm，Philips IQon 0.977 × 0.977 mm，Philips Incisive CT 0.742 × 0.742 mm。表2显示了各CT扫描仪在训练队列和两个测试队列中获得的扫描分布。各扫描仪和各解剖区域的定位像采集参数汇总于补充表2。所有包含胸部的定位像均在患者吸气时采集。每次扫描均可获得以3 mm层厚重建的轴位CT数据集及相应的正位定位像，格式为DICOM。

图像处理和定位像分割

将轴位CT和 scout 视图导出并转换为 NIfTI（神经影像信息技术倡议）格式。scout 视图分割掩膜的生成按顺序进行。首先，使用 TotalSegmentator [21]（一种稳健的解剖结构分割算法）对轴位CT图像进行分割。随后，在 scout 视图中审查26个结构（补充表1）的初步分割掩膜，并在必要时由一名委员会认证的放射科医师进行手动细化。调整的原因包括：由于CT体积中的分割不足或投影误差导致分割结构覆盖不完整、过度分割并延伸至邻近结构，以及投影过程中引入的小幅错位（例如，由元数据不一致或 scout 采集与CT扫描之间患者轻微运动引起）。对于每个扫描区域，定义了需要在其各自CT检查中完整包含的目标结构（头部：脑、颅骨；颈部：脑、颅骨、颈椎；胸部：主动脉、心脏、肺、气管、胸椎；腹部至盆腔：肝脏、右肾、左肾、主动脉、脾脏、腰椎、结肠、胃；胸部至盆腔：主动脉、脾脏、腰椎、结肠、肝脏、右肾、左肾、肺、胸椎、心脏、胃、气管）。将分割掩膜从3D CT体积转移到2D scout 视图本质上会导致掩膜重叠，必须准确捕获这些重叠以进行有效的模型训练。为实现这一点，识别每个分割体积内的非背景体素，并使用从 scout 图像元数据导出的空间变换将其3D坐标映射到 scout 图像空间中的2D坐标。对于每个解剖结构，在 scout 图像上生成二值掩膜，表示分割在 scout 图像上的投影。随后，应用形态学操作，具体包括二值膨胀和闭运算，以细化掩膜。

使用质因数分解处理标签重叠

为唯一标识解剖结构，每个标签被分配一个质数。这种分配确保多个结构之间的重叠可以使用质因数分解进行解码。在标签及其质数之间建立双向映射，以便于编码和解码。为解决多个结构占据同一 scout 图像像素的重叠问题，将每个结构的质数编码相乘，创建一个复合质数值。该复合值明确标识每个像素处的所有重叠标签。维护复合值与其对应结构的全局映射，用于模型训练。各个区域带有相应 scout 视图的示例性分割掩膜如图2所示。

模型训练与评估

模型训练采用带残差块 [23] 的 nnU-Net 框架 [22]。该框架的自动化配置流程确定了最优参数。为解决标签重叠问题，采用了基于区域的训练方法，使模型能够学习通过合并单个标签构建的区域分割。模型在 985 例患者上使用 5 折交叉验证训练 100 个 epoch，并保留最佳模型参数。使用最优模型检查点对测试队列 A 和 B 的定位像进行推理，并保存 softmax 输出以用于解剖标签的重建。通过将 softmax 概率超过阈值 0.5 的像素分配给相应结构，生成 26 个解剖标签的分割掩膜。对于测试队列 A，按照标准化建议 [24] 计算分割准确度，使用头尾轴方向上的一维 Dice-Sørensen 系数（DSC）以及最大容忍距离为 1 cm 的归一化表面距离（NSD）。我们选择 1 cm 的 NSD 容忍度，以反映分割边界偏差可对扫描范围规划产生有意义影响的尺度。在我们的应用中，通常允许数毫米的边际以考虑呼吸运动和解剖变异性；因此，较小的容忍度适用于高精度结构勾画（例如放疗计划），但在本背景下会对临床无关的边缘差异过度惩罚。为评估在我们机构之外的泛化性，我们在公开可用的 CPTAC-LUAD 数据集上评估了我们的算法，该数据集是肺腺癌病例的集合，包含 CT、PET 和 MR 成像及匹配的组织病理学数据（38 名受试者，75 次检查）[25]。经人工审查后，纳入来自 18 名患者的 36 次胸部 CT。排除原因包括非胸部 CT 检查、 fragmented or partially uploaded image series that did not constitute a usable volumetric acquisition，以及解剖覆盖不完整。纳入的检查包括在 GE Healthcare（n = 20）、Siemens Healthineers（n = 13）和 Philips Healthcare（n = 3）系统上采集的增强和非增强扫描，包括以下扫描仪型号：包括以下扫描仪型号：GE LightSpeed VCT（n = 11）、GE Optima CT660（n = 4）、Siemens SOMATOM Definition AS（n = 4）、Siemens Emotion 16（n = 3）、GE LightSpeed16（n = 2）、Philips IQon Spectral CT（n = 2）、Siemens Sensation 16（n = 2），以及各 1 次扫描来自 GE Optima CT520 Series、GE Discovery 610、GE Revolution CT、Philips Brilliance 16、Siemens SOMATOM Definition AS+、Siemens SOMATOM go.All、Siemens Sensation 64 和 Siemens Somaris/5 3D。我们应用了相同的预处理和推理流程，并计算了可用目标结构的 Dice 和 NSD。训练好的模型权重和推理代码可在 https://github.com/sziegelmayer/TOPOS 公开获取。

扫描范围界定

在测试队列B中，针对胸部、上腹部和颅脑扫描，分析了该模型用于扫描范围规划的适用性。模型的z轴覆盖范围通过分割相应区域的目标结构来定义（胸部CT约等于肺，上腹部CT约等于肝脏，颅脑CT约等于颅骨）。考虑到因运动和呼吸深度导致的扫描范围变化，在头侧和足侧各增加了1 cm安全边界（共2 cm）。选择该边界是在补偿患者运动与保持对模型性能精确评估之间的折中。为了比较模型与放射技师手动规划检查的扫描规划，由一名委员会认证的放射科医师评估相关器官的完整范围是否被覆盖。z轴覆盖不足被标记为错误。对于合格扫描，计算了头尾方向和辐射暴露，辐射暴露通过剂量长度乘积（DLP）测量。

统计分析

所有统计分析均使用R 4.2.1版本（The R Foundation，http://www.r-project.org）进行。图像和分割预处理使用Python 3.11版本执行。描述性统计记录了以下患者参数：性别、年龄、区域、CTDI、DLP和错误扫描范围的数量。手动和自动扫描计划的DLP使用扫描仪报告的CTDI_vol值按CTDI_vol x扫描长度计算；剂量降低定义为两种计划之间总DLP的差值。使用配对t检验比较扫描长度和DLP。选择双侧显著性水平p < 0.05。

结果

队列特征

总共纳入1146名患者，并分为一个训练集和两个测试集。人口学信息和扫描区域分布见表1。在训练队列中，含胸部扫描中19%存在胸腔积液，8%存在肺不张。含腹部扫描中3%存在肝周腹水。在颅脑CT检查中未发现与扫描范围定义相关的异常。在测试队列A中，含胸部扫描中22%存在胸腔积液，7%存在肺不张。在含腹部检查中，2%的病例观察到肝周腹水。测试队列A中的颅脑CT检查未显示与扫描范围定义相关的异常。在测试队列B中，25%的胸部扫描发现胸腔积液，10%发现肺不张。在上腹部CT中，10%的病例存在右侧胸腔积液，15%存在肝周腹水。对于头部区域，未发现异常。训练队列和测试队列A在常规临床实践中使用的典型头尾扫描长度总结于表3。

各区域分割性能

该模型在测试队列A中对目标结构的平均DSC为0.932 ± 0.060，NSD为0.877 ± 0.071。测试队列A所有区域和结构的汇总性能为DSC 0.884 ± 0.100，NSD 0.801 ± 0.146。在来自外部CPTAC-LUAD数据集的纳入研究（n = 36）中，模型对可用的目标结构保持了可比的分割性能。五个胸部目标（主动脉、心脏、肺、气管、胸椎）的平均DSC为0.851 ± 0.051，相应的平均NSD为0.154 ± 0.038。目标结构的区域特异性性能总结于表4，各个区域和结构的详细分割指标可视化于图3。

有趣的是，训练后的模型成功预测了内脏反位扫描中依赖偏侧性的结构（心脏、脾脏、肝脏），提示模型习得了真实的结构特征，而非依赖简单的空间定位（补充图1）。

胸部、上腹部和颅脑CT的自动化扫描规划

使用肺分割的胸部扫描规划在测试队列B中未导致任何错误的CT扫描。平均而言，自动化扫描规划使头尾方向距离减少了50 mm（15%）（p < 0.001）。这使平均DLP从130 ± 52显著降低至105 ± 38 mGy*cm，对应百分比降幅为19.2%。使用肝脏分割的上腹部扫描规划导致4.35%（1/23）的错误病例。对于非错误病例，头尾方向距离减少了60 mm（25%）（p < 0.001）。这使平均DLP从190 ± 63显著降低至142 ± 45 mGy*cm，对应百分比降幅为25.3%。使用颅骨进行头部CT规划使扫描长度减少19 mm（11%）（p < 0.001），平均DLP从623 ± 53降低至552 ± 39 mGy*cm，且无任何错误的扫描规划。在外部评估中，基于分割的胸部扫描规划适用于纳入的CPTAC-LUAD研究中具有可用剂量信息的子集（n = 14），并导致1例错误病例（7.1%）。非错误病例的头尾方向扫描长度从40 ± 2.8 cm降至28.5 ± 1.7 cm（平均减少115 mm；28.7%，p < 0.0001），相应的平均DLP从316 ± 94降低至226 ± 66 mGy*cm（28.5%）。内部数据集中的平均CTDIvol值为31.45 ± 2.99 mGy（颅脑）、10.30 ± 1.44 mGy（颈部）、4.39 ± 2.21 mGy（胸部）、8.60 ± 2.52 mGy（上腹部）、7.75 ± 1.32 mGy（腹部至盆腔）、6.26 ± 2.57 mGy（胸部至盆腔）。在每个方案内，手动规划与自动化规划之间的CTDIvol无差异。测试队列B中不同区域自动化与手动扫描规划的平均扫描长度总结于图4，展示相应扫描范围的代表性定位像示例显示于图5。

讨论

本研究开发了一种深度学习模型，用于在常见CT检查部位的定位像中精确分割多个解剖结构。特定区域目标结构的分割为实现自动化扫描计划提供了一种方法，与手动计划相比可显著降低辐射剂量，并在胸部、上腹部和颅脑CT中作为概念验证得到展示。

由于CT是人工辐射暴露的主要来源，实施自动化扫描计划是降低辐射暴露的一种有前景的策略。既往研究仅限于胸部，通过使用解剖标志或肺部分割，在保持高准确性的同时实现了显著的剂量降低[19, 26, 27]。例如，Huo等[27]的模型在肺部分割中达到了0.97的DSC，但评估仅限于肺癌筛查队列。我们的模型在包括胸腔积液和肺不张患者的多样化临床队列上进行了评估，该队列更好地代表了常规实践中预期的患者人群。虽然我们的模型DSC略低，但这并未影响扫描计划的准确性。即使在具有挑战性的病例中，测试队列的胸部CT也未发生计划错误，同时实现了扫描长度和DLP的显著降低。Demircioğlu等[18]成功开发并验证了一种用于胸部CT扫描范围勾画的生成模型。尽管其方法取得了稳健的结果，但忽略了通过分割掩膜可获得的有价值的诊断信息，因为研究表明定位像可以揭示相应CT扫描容积中未捕捉到的临床相关发现[28]。例如，心脏增大和主动脉瘤等病变有可能通过分析源自定位像的分割掩膜而被检测到[29]。

作为额外的概念验证，我们证明了肝脏和颅骨分割能够实现上腹部和颅脑扫描的稳健且精确的计划。这导致扫描长度的显著缩短和较低的误差率。对于上腹部，即使在伴有腹水和右侧胸腔积液、肝脏清晰勾画变得更加困难的挑战性病例中也是如此。

针对自动扫描范围选择的 vendor-specific（特定厂商）解决方案已有提供。例如，Canon 的 3D Landmark Scan 将超低剂量螺旋 CT 与基于人工智能的解剖标志检测算法相结合以确定扫描范围，在胸部与腹部 CT 检查中使总辐射剂量中位数降低 23.3% [30]。据我们所知，它是唯一在概念上可与本研究提出的算法相媲美的市售软件。然而，需要注意的是，它利用的是 Canon 系统独有的螺旋定位采集。其他厂商的 CT 扫描仪依赖标准二维定位像，我们的方法同样使用此类图像。GE（Smart Plan）、Philips（Precise Planning）和 Siemens（FAST Planning）提供的旨在提高扫描范围规划效率与准确性的工具则依赖天花板安装的视频摄像头来检测外部解剖标志并建议扫描边界。这些方法在公开来源中仅有简要描述，未经同行评审验证，其内部算法、训练数据或性能特征的披露也有限。我们的方法有本质不同。TOPOS 可直接在多家扫描仪厂商的标准二维定位像上生成明确的多结构分割，从而能够基于患者内部解剖结构实现透明且可验证的扫描范围定义。作为一个示例性案例，一例内脏反位病例表明，该模型学习到了结构特异性特征，而非仅限于简单的空间定位。这种以解剖结构驱动的方法使放射技师能够直观确认自动规划的依据，从而可作为支持系统增强流程透明度与工作流程效率，支持临床接受度并确保在多个扫描部位间的泛化性。

尽管我们的分析考虑了多种情况，提示其具有稳健的适用性，但在临床实践中，常存在异质性情况，这可能损害模型准确性。为部分缓解这一局限性，我们在公开可用的CPTAC-LUAD数据集上评估了模型，发现胸部目标结构（主动脉、心脏、肺、气管、胸椎）的分割性能仍相当。此外，在纳入的CPTAC-LUAD胸部检查中具有可用剂量信息的子集中，基于分割的扫描范围规划使扫描长度和DLP显著降低。这一外部验证支持了数据集偏移下的稳健性。值得注意的是，36例外部队列验证病例中有20例是在GE Healthcare系统上采集的，而模型开发中未纳入任何该厂商系统采集的扫描。然而，在临床部署之前，仍需在更多方案和厂商之间开展更广泛的多中心前瞻性测试。研究队列来源于所有合格检查的随机1%样本，随后进行人工质量控制。该策略保留了扫描仪、方案和患者特征的真实世界分布，但需要排除图像质量不足的病例。因此，我们的队列规模受到人工审阅和标注工作流程的限制，代表了队列规模与标注保真度之间的权衡，这可能限制统计效能和泛化能力。此外，分割性能可能受到2D定位像投影固有的解剖重叠影响。例如，右肾的分割准确性低于左肾，这可能归因于前后位定位像中右肾与肝脏频繁重叠。这种重叠可能遮蔽器官边界并降低投影图像中的轮廓可见性。此类与投影相关的重叠在左侧较不明显，因为邻近结构通常提供更清晰的边缘。虽然无法确定单一因素，但定位像中的解剖重叠是对这种不对称性的合理解释。未计算作为辐射暴露指标的有效剂量，这使得自动规划对生物学相关辐射剂量的影响存在不确定性。虽然可使用转换因子和DLP推导各解剖区域的基本有效剂量计算[31]，但这仅能得到近似值，鉴于已有更复杂且准确的方法（如蒙特卡罗模拟[32]），我们有意避免了这种方法。基于分割的扫描范围规划仅在对解剖结构标准化的方案（胸部、上腹部、颅脑）中进行了评估，因为这些方案所需的z轴覆盖范围可根据器官范围明确界定。在依赖适应证的方案中，扫描范围并非仅由解剖结构决定，扫描长度的单一解剖学金标准定义不明确，限制了规划准确性和剂量降低的回顾性评估。基于解剖的扫描规划的主要缺点在于复杂扫描区域，如CT颈部，根据检查不同，其范围可能从鼻窦延伸至主动脉弓。仅基于颈椎进行规划会导致扫描覆盖不足。这一局限性可能通过更精细的解剖目标标签集来解决，以更好地反映适应证特定的扫描边界。

总之，我们的工作证明了，在多种目标结构和扫描区域上训练的解剖分割模型可适用于胸部、上腹部和颅脑CT的自动扫描规划，该模型在保持低错误率的同时显著降低了辐射剂量。将此类模型整合到临床实践中，不仅有可能降低辐射暴露，还可能减少工作量并优化工作流程，例如通过在定位像中实现规划相关结构的实时可视化。

补充信息

补充信息