利用扩散张量分解图半自动构建胶质母细胞瘤放疗患者个体化临床靶区
研究纳入50例组织学确诊的胶质母细胞瘤患者,在3T磁共振扩散张量成像的p图和q图上,用Chan-Vese水平集模型从手动勾画的q图GTV自动分割出p图以代表CTV。自动分割与专家手动勾画的p图平均Dice系数为74%(标准差7%),部分层面大于90%。作者认为该技术可用于个体化放疗靶区构建,但需进一步交叉验证。
要点
- p图各向同性成分可作为肿瘤浸润边缘的影像替代,q图上手动勾画的GTV作为水平集初始轮廓。
- 50例患者自动分割与手动p图平均Dice系数74%(标准差7%),部分层面大于90%。
- 自动CTV勾画平均耗时0.5秒,作者认为可减少观察者间和观察者内变异。
关键影像表现/征象
- 从q图到p图的肿瘤边界扩展在所有病例中清晰可见。
- 部分层面(3例患者的示例层面)自动分割与对应参考标准的Dice系数大于90%。
- 全部50例患者自动分割与手动p图平均Dice系数74%,标准差7%。
- 手动初始化轮廓后,所提模型平均CTV勾画时间为0.5秒。
诊断标准与关键数值
- 以q图上手动分割的GTV作为水平集初始轮廓,在p图上用Chan-Vese水平集模型自动分割得到CTV。
- 以手动分割p图作为CTV边界的金标准,采用Dice系数评价一致性。
- 50例患者平均Dice系数74%(标准差7%)。
临床应用与阅片要点
- 作者认为该自动工具生成的体积与专家按ESTRO ACROP指南2 cm或RTOG指南2.5 cm几何外扩所得手动CTV轮廓高度可比。
- 作者认为该技术可为每位患者提供个体化CTV方案,并可能减少CTV勾画任务的时间和复杂度。
- 作者指出常规T1加权增强和FLAIR序列若不参考DTI衍生序列信息,可能显著低估真实肿瘤体积。
- 作者认为个体化CTV若明显不同于常规外扩,需在前瞻性临床研究中验证。
- 作者指出邻近室下区等可能受肿瘤浸润的解剖区域在DTI上可能显示不足,个体化外扩方案需考虑这些区域的处理。
局限性
- 由于扫描时间限制,DTI采集与临床T1和T2序列相比噪声较大。
- 结果受参数设置、图像采集和重建方法等多种变量影响。
- 个体化CTV若明显不同于常规外扩,需在前瞻性临床研究中验证。
- 邻近室下区等其他可能受肿瘤浸润的解剖区域在DTI上可能显示不足。
- 需要进一步交叉验证分割技术以确认其效用。
全文中译9 节 · 点击展开
引言
多形性胶质母细胞瘤(GBM)是一种侵袭性原发性成人脑肿瘤,其造成的平均寿命损失年数超过任何其他常见成人恶性肿瘤。1 在英格兰,诊断为GBM的患者群体生存状况仍然黯淡,超过70%的患者在诊断后12个月内死亡。2 然而,接受积极多模式治疗(全肉眼肿瘤切除,随后放化疗)的身体状况良好的患者可能生存更长时间,荟萃分析报告2年生存率为24%。3 这一点具有重要意义,因为这些患者中有一部分现在生存时间足够长,足以表现出与放化疗相关的放射性坏死和神经认知功能障碍的风险。
胶质母细胞瘤的特征是宏观和微观上浸润邻近脑组织,通过连续性肿瘤扩散、白质迁移或通过室管膜下区扩散。因此,在放疗时,在肉眼肿瘤体积(GTV)边缘(通常取术后切除腔)增加宽裕的临床靶体积(CTV)边界。当前欧洲放射肿瘤学会(ESTRO)共识指南基于对放化疗后肿瘤复发模式的分析,建议2 cm的等向性CTV边界足以覆盖超过90%的肿瘤复发。4,5 放射治疗肿瘤学组(RTOG)指南趋同于类似的2.5–3 cm边界。6
弥散张量成像(DTI)是一种对脑内白质连接性进行成像的技术。我们此前已证明,它可以用于以高灵敏度和特异度对亚临床肿瘤扩散进行成像,并且可以根据DTI评估的肿瘤浸润范围将患者分层为预后表型。7,8 DTI异常可以预测肿瘤进展部位9,将弥散张量分解为各向同性(p)和各向异性(q)分量可以提供与肿瘤进展时间相关的肿瘤浸润区的空间图谱。8 p图是肿瘤浸润边缘的影像学对应物,因此是CTV的替代标志物。10 对于放疗治疗计划,利用DTI实现个体化治疗可使CTV潜在缩小40%。其他研究已证明非个体化缩小CTV的安全性和有效性。11 因此,在放疗计划制定时利用DTI数据可能具有两个不同的功能。第一是缩小局部侵袭性肿瘤患者的脑照射体积,从而降低脑放射性坏死风险并可能减少长期神经认知缺陷。第二是根据肿瘤浸润风险和预期生存对患者进行分层。在实践层面,由于图像数据集的高维度,将DTI数据整合到常规治疗计划系统中并非易事且资源密集。12
在本文中,我们证明通过主成分分析获得的DTI分解图可与自动图像分割相结合,生成瘤周肿瘤浸润区。将这些体积与手动分割的p图(被视为传统各向同性CTV的替代指标)进行比较,证明其具有个体化放射治疗体积的潜力,并可作为治疗肿瘤科医生的决策支持工具。
方法学
所提出方法的框架如图1所示。这使得基于手动分割的q图,更容易勾画作为CTV替代指标的p,用于治疗计划。其步骤如下:
从DTI q图中手动分割GTV,这将作为水平集的初始化轮廓。
将分割后的GTV叠加在DTI p图上。
水平集自动分割对叠加的GTV进行修改,以纳入来自p图的信息,这将包含浸润边缘。
本文采用Chan-Vese水平集分割模型。选择该模型的原因是该模型在传统MRI或仅DTI上均具有稳健性。
患者队列、成像和图像处理
我们利用了术前多模态成像研究的图像数据,提供了50例患者的数据(平均年龄58.2岁,范围31.4–71.6岁;33例男性,17例女性),均经组织学确诊为胶质母细胞瘤。所有患者均获得了书面知情同意书同意将影像用于研究,并获得当地研究伦理委员会批准(10/H0308/23)。所有患者均使用Magnetom Trio扫描仪在3 T下成像(Siemens Healthcare,Erlangen,Germany),使用标准8通道接收头线圈和体线圈发射。DTI数据采用单次激发回波平面序列采集(TR/TE 8300/98 ms;翻转角90°;FOV 192 × 192 mm;63层;无层间距;体素大小2 × 2×2 mm),采用多个b值(0、350、650、1000、1300和1600 s=mm2),沿13个方向扫描。
DTI图像是一种旨在反映脑内水分子移动性的成像技术。此外,张量重建衍生的参数已被证明在区分大体肿瘤 mass 与肿瘤浸润方面比T2加权成像更敏感。8这些衍生量分别是扩散张量的各向同性和各向异性分量,分别称为p和q,定义如下。由于张量流写为图像每个体素的3 × 3矩阵,其特征值为、和,则:
其中D为平均扩散率。
图2可视化了p图和q图的差异,其中显示p图是浸润性肿瘤范围的替代指标。
用于分析的兴趣区分割
由专家临床医生使用三维(3D)slicer应用程序对数据集中所有患者的术前GTV和CTV以及p图和q图进行了金标准手动分割。13手动ROI由三位观察者独立勾画:一位具有>8年经验的神经外科医生(CL)、一位具有>9年经验的神经外科医生(JLY)、一位具有>4年脑肿瘤图像分析经验的研究者(NRB)。手动分割对模型构建和验证阶段设盲。使用相似系数评分进行评分者间信度检验,以确保观察者之间的一致性。12,14
水平集分割
水平集方法由Osher-Sethian于1988年提出15,以改进Kass于1987年引入的Snake技术的缺点。16水平集方法是活动轮廓的一种形式,可在图像内部自由移动,直至收敛至所需边界/区域。水平集需要初始化为一个边界。它最初是作为传播前沿的欧拉公式引入的,其以垂直于曲线的速度F移动。水平集的前沿在任何时间t和每个点处,通过以下关系作为水平集函数的零交叉隐式传播:
图3可视化了水平集的形成。
它调整z函数的高度,从而消除拓扑问题。这种水平集是基于传播前沿曲率依赖速度的生长或收缩轮廓。它使用Hamilton-Jacobi方程重建复杂形状。
是零水平集轮廓,应初始化为轮廓以作为符号距离函数。
两相Chan-Vese水平集分割模型
Chan-Vese基于Mumford-Shah泛函18提出了无边缘两相水平集方法。19该模型的主要概念是对能量最小化问题的改进,其基于水平集每个区域(两相中的内部或外部)的平均强度值和,定义为:
H是Heaviside函数,
在每次迭代中,和的值发生变化,必须基于新区域的水平集重新计算,以计算新的速度函数如下:
Chan-Vese水平集演化方程如下,其中表示一维Dirac函数。
结果
p图和q图的体积为240 × 330 × 23像素,像素大小为0.977 x 0.977 mm,格式为nifti。手动分割/ ground truth(指q图上的GTV)用于初始化水平集,并尝试分割p图(指CTV)。图4为临床医生可视化了50例中3例示例患者三个层面的肿瘤状态信息。从q图到p图的肿瘤边界扩张清晰可见,Dice系数(DC)显示这些层面与其相关ground truth的相似度大于90%。
为了评估所提出模型的可靠性,我们试图证明p掩膜上肿瘤体积的扩展可用于自动测量CTV。在图4中,蓝色轮廓是p图上的手动分割,用作CTV边界的金标准,并用于比较我们的分割结果。绿色轮廓指的是我们在q图上使用Chan-Vese水平集模型测量CTV的分割结果。图5显示了不同患者各切片平均的p图手动分割与我们分割之间的DC。
关于适形指数,在所有50例患者平均DC中确定的平均得分为74%,标准差为7%,一致性最佳。当初始轮廓为手动完成时,进一步分析显示,所提出模型的平均CTV勾画时间为0.5秒,低于临床医生在计划实践中完成的总体平均时间。该图中所示的所有不同患者之间所提出模型分割的一致性,是减少GTV和CTV轮廓生成中观察者间和观察者内变异性的一个很好的指标。20
讨论
分割GBM及其复发边界是一个非常具有挑战性的领域,因为治疗前的图像模态仅限于常规MRI。尽管GBM治疗的结果表明所用MR图像缺乏信息,但所提出的基于DTI p和q图图像分析GBM肿瘤的方法将有助于临床医生更好地估计肿瘤的位置和大小,以及常规MR图像上并不真正可见的肿瘤复发区域。GBM患者的标准治疗仍然是手术。手术也有用处,因为它提供组织标本以供评估,从而可以在对肿瘤进行准确的生物学评估基础上确定适当的治疗。更好地个体化治疗方法需要更精确地理解GBM的复发区域。然而,手术存在一些现实局限性。所提出的模型将向临床医生提示使用放疗的潜在肿瘤区域。使用DTI生成准确CTV的巨大可能性以及使用完全不同的p和q图的特异性,将有助于更好地融合脑白质束的各向同性和各向异性信息。所提出的CTV建模通过p和q图分割得到改善。
我们的算法能够从手动分割的q图可靠地生成DTI序列衍生的p图。p和q异常的自动分割可以稳健地执行。由于我们此前已证明p图代表肿瘤的浸润边缘,它可作为放疗计划中微观病变范围CTV概念的生物学替代指标。从我们的自动化工具获得的体积与专家手动勾画的CTV高度可比,后者在ESTRO ACROP(放射肿瘤学实践咨询委员会)指南情况下使用肿瘤周围2 cm的几何外扩,在RTOG指南情况下使用2.5 cm。21 正如Price等人22所提出的,各向同性p成分似乎随着肿瘤浸润而增加,这是由于血管源性水肿导致组织水分增加。这是GBM影像中非常常见的发现,对这一水肿、浸润区域部分分析的自动化可能具有进一步的研究和临床应用价值。
由于扫描时间的限制,与临床T1和T2序列相比,DTI采集存在噪声。Chan-Vese模型由于能够利用区域图像强度等全局特性,在这种噪声存在时表现稳健。此外,水平集算法考虑了p和q的相互关系(由方程定义),因为它从q区域初始化以得出p的准确分割。该算法的稳健结果与经验丰富的临床医生手动分割相当,提示这种迭代水平集方法在经过进一步参数调整后可能在GBM人群中表现良好。
虽然由专家观察者手动分割图像图被视为金标准,但人们充分认识到手动分割存在显著的观察者间和观察者内变异性。目前GBM的临床管理非常坚定地基于使用增强T1加权序列和FLAIR序列的惯例。在不参考DTI衍生序列所提供信息的情况下使用这些序列,可能相当程度地低估真实肿瘤体积。通过自动化将q区域转换为p区域,这一额外信息也可能有助于指导考虑切除手术或放疗的临床医生的治疗计划,例如确定肿瘤的完全肉眼切除是否可行。
在放疗中,GTV轮廓是为每位患者手动勾画的。在本工作中,我们未使用用户输入来寻找GTV的位置。使用所提出的技术将同时为每位患者提供个性化的CTV解决方案。这将影响所得的辐射剂量计算和最终治疗,朝着减少对健康细胞损伤并更多照射癌细胞的理想方向进行。此外,该方法将显著减少CTV勾画任务的复杂时间。因此,可以在放疗计划软件中鼓励使用此类自动勾画工具。
我们知道,临床靶区(CTV)的核心概念是涵盖亚临床肿瘤浸润。鉴于我们先前的工作已证明 p-map 作为肿瘤浸润替代指标的有效性,我们认为自动生成的 CTV 具有作为个性化 CTV 基础的价值。显然,与传统边界显著不同的个性化 CTV 需要在前瞻性临床研究中加以验证,但现有的治疗失败模式数据将支持这种方法。此外,可能还有其他存在肿瘤浸润风险的解剖区域无法通过弥散张量成像(DTI)充分显示(例如相邻的脑室下区),在个性化边界方案中需要仔细考虑这些区域的处理。
在放射治疗实践中,基于个性化的 CTV 轮廓比自动生成的轮廓显著更加异质。DC 使 p 区域真实值与 Chan-Vese 水平集模型之间的照射体积更加一致。作者推测,基于个性化的 CTV 轮廓的一致性表明肿瘤部位的一致性,可能导致剂量递送中的地理性遗漏,从而可能妨碍个体患者的局部控制。
所提出方法的结果受多种变量影响,例如参数设置以及图像采集和重建方法的类型。尽管如此,标准化我们的图像数据并对其进行归一化可以缓解这一问题,并有助于轮廓的进一步泛化。然而,该算法可以修改为使用关于 GTV 位置的输入信息,以进一步提高速度和准确性。此外,该方法还可以扩展到三维建模,以基于三维空间中的水平集生长自动生成体积。
结论
我们提出了一种使用 DTI 和张量分解自动分割肿瘤浸润边界的方法。第一个应用是用于手术规划和治疗反应评估的 MR 图像评估决策支持,例如用于 PRaM-GBM 多中心临床试验的数据分析(伦理批准号:16/EE/0476)。第二个是用于放射治疗靶区定义。该技术提供了为治疗规划生成自动化 yet 个性化 CTV 的机会,而非当前基于对患者群体肿瘤浸润评估驱动的简单几何外扩的 CTV。这样的 CTV 可用作个性化剂量调强放射治疗剂量绘画策略的基础。需要对该分割技术进行进一步的交叉验证以确认其效用。
引用
- Rahmat R, Brochu F, Li C, et al. Semi-automated construction of patient individualised clinical target volumes for radiotherapy treatment of glioblastoma utilising diffusion tensor decomposition maps. Br J Radiol. 2020. PMID: 31944147. doi:10.1259/bjr.20190441
- 全文:PMC7362908(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7362908/
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。