堆叠椭圆算法:一种基于超声的三维子宫分割工具,用于实现子宫颈癌自适应放疗
研究开发了堆叠椭圆(SE)算法,在三维超声上半自动分割子宫以支持超声引导自适应放疗。用5例训练、10例44幅图像验证,SE算法与手动勾画的Dice相似系数中位数0.80(四分位距0.03),平均表面间距3.3(0.2)mm,处于已报道的观察者间勾画变异范围内。
要点
- SE算法在三维超声上分割子宫,与手动勾画的Dice相似系数中位数0.80(四分位距0.03)。
- SE算法与手动勾画的平均表面间距中位数3.3(0.2)mm,处于已报道的观察者间勾画变异范围内。
- 算法仅需在正中矢状面单层手动初始化,即可生成半轴平面上一系列椭圆并变形贴合子宫边界。
核心结论
- SE算法可在三维超声上精确分割子宫,有望用于自适应放疗。
研究设计与样本
- 算法开发与验证研究,训练集为5例宫颈癌患者的5幅三维超声图像,验证集为10例患者的44幅三维超声图像。
- 训练集来自Herlev医院6例中质量最高的5例图像,验证集来自Royal Marsden NHS基金会信托11例患者的75幅图像中筛选出的44幅。
- 超声数据用Clarity系统(Elekta Ltd.)手持机械扫掠三维探头(5 MHz中心频率,Model m4DC7-3/40,Sonix Series;Ultrasonix Medical Corp.)采集,重采样为0.58×0.58×58 mm体素。
- 参考标准为一位经验丰富观察者(S.M.)在Clarity自动勾画与融合工作站上手动勾画的三维子宫轮廓。
诊断标准与关键数值
- SE算法与手动轮廓的Dice相似系数中位数(四分位距)为0.80(0.03)。
- SE算法与手动轮廓的平均表面间距中位数(四分位距)为3.3(0.2)mm。
- 上述数值处于已报道的观察者间勾画变异范围内。
临床应用与阅片要点
- SE算法可在放疗当日三维超声图像上快速半自动分割子宫,用于超声引导自适应放疗。
- Clarity系统现有半自动分割子宫的商业算法仅在约80%病例中返回结果,且精度依赖图像质量。
- 算法依赖子宫在超声上较周围组织暗及横截面近似椭圆形的先验知识,图像质量过差无法显示子宫边界时不能手动勾画。
局限性
- 原文未报告局限性。
全文中译14 节 · 点击展开
引言
放疗(RT)的目的是向靶组织(称为临床靶区,即CTV)递送根治性剂量,同时尽可能减少邻近组织的剂量,以降低放疗相关毒性反应的可能性。在治疗宫颈癌时,这是一项具有挑战性的任务,因为CTV(包括子宫和宫颈)由于膀胱充盈、直肠充盈和肿瘤退缩而发生大量日常运动和形变(Van de Bunt et al. 2006; Chan et al. 2008; Collen et al. 2010; Bondar et al. 2012; Jadon et al. 2014)。为了补偿子宫-宫颈复合体(本文余下部分简称为子宫)的位置不确定性,CTV被外扩0.6至4 cm以形成计划靶区(PTV)(Lim et al. 2011)。宫颈癌放疗中采用的宽松CTV至PTV外扩提高了充分靶区覆盖的可能性,但代价是将大量健康组织如膀胱、直肠和肠道纳入PTV(该区域接受处方剂量),如图1所示。
如果放疗实施过程中子宫的位置已知,则放疗计划可以每日进行调整以适形于CTV。目前放疗中每日图像引导的金标准是锥形束计算机断层扫描(CBCT),它可提供具有优异骨性解剖对比度的患者三维图像。尽管CBCT确实提供一定的软组织对比度,并可用于基于软组织的治疗验证(即视觉评估子宫是否完全包含在PTV内),但由于散射和重建伪影,在骨盆中可视化和分割子宫及其他软组织是困难的且并非总是可行(Heijkoop et al. 2014; Langerak et al. 2014; Maemoto et al. 2016; Wang et al. 2016)。超声(US)优异的软组织对比度使其成为放疗前定位子宫的有前景的CBCT替代方案。事实上,随着探头追踪技术的出现,超声已被用于引导多种解剖部位的放疗,包括前列腺、肝脏、乳腺和子宫(Fontanarosa et al. 2015)。在先前的工作中,我们报道了使用Clarity系统(Elekta Ltd.,斯德哥尔摩,瑞典)进行三维经腹超声可提供高质量的子宫图像,可由多名观察者以高精度手动分割(Mason et al. 2017)。然而,目前尚无已发表的软件工具能够在三维超声上自动或半自动分割子宫,且具有足够用于临床的精度和速度。Clarity系统上可用的旨在半自动分割子宫的商业算法仅在大约80%的病例中返回结果,且在这些病例中,其精度可变并依赖于图像质量(Mason et al. 2017)。确实存在若干在磁共振和计算机断层扫描图像上进行三维子宫分割的算法(Ghose et al. 2015),尽管这些算法不太可能在超声图像中表现良好,因为它们依赖于模态特定的成像特征,如组织对比度、视野和成像伪影。
为实现超声引导的自适应放疗,必须开发一种新工具,能够在治疗时于三维超声图像上快速、准确地分割子宫。医学图像分割是一个具有挑战性的问题,因为(i)目标结构相对于其周围环境的形状、对比度和方向因人而异,且(ii)每种成像模态都有其独特的特征和/或伪影,可能降低图像质量。就超声而言,成像伪影如衰减(例如由超声束路径中的骨骼或气体引起)和混响可能遮蔽目标边界、产生伪边界并降低软组织对比度(Noble and Boukerroui 2006; Wein et al. 2007)。此外,超声成像中固有的相长和相消波干涉会产生“散斑”(Burckhardt 1978),这赋予超声图像其特征性的颗粒状外观。
参数化形状模型可用于在存在虚假边界和图像伪影的情况下提高分割算法的准确性。在该方法中,目标结构被表示为仅需少量参数即可定义的形状的变形或组合,如圆形、椭圆形和多边形。例如,Gong等人(2004)使用可变形超椭圆在二维超声图像上分割前列腺,以与手动轮廓的一致性衡量达到亚毫米精度。参数化形状模型是分割宫颈癌患者子宫的一种有前景的解决方案,因为子宫横截面大致呈椭圆形,如图2所示,尽管患者之间存在较大的解剖变异。
本工作的目的是开发一种算法,可用于在使用Clarity系统获得的三维图像上半自动分割子宫。使用来自五名宫颈癌患者的五幅三维超声图像作为训练集,在一种新的分割算法中将子宫表示为一系列堆叠的椭圆,我们称之为“堆叠椭圆”(SE)算法。该算法将传统边界检测方法与先验知识相结合,即子宫(i)在超声图像上比其周围环境更暗,且(ii)可表示为椭圆。SE算法在由来自10名宫颈癌患者的四十四幅三维超声图像组成的验证队列中进行了测试,通过将SE算法生成的轮廓与相应的三维手动轮廓进行比较。
方法
数据采集与患者特征
接受宫颈癌放疗的17例患者被纳入本研究:6例来自Herlev医院,11例来自皇家马斯登NHS基金会信托(RMH)。这些研究的伦理批准分别获得De Videnskabsetiske Komiteer和NHS研究伦理委员会(参考编号15/LO/1438)。所有患者均签署书面知情同意书。患者特征见表1。
超声扫描方案
本研究中的所有超声数据均为使用Clarity系统采集的扫描转换三维B模式数据,采用手持式机械扫掠三维探头(中心频率5 MHz,型号m4DC7-3/40,Sonix系列;Ultrasonix Medical Corp.,加拿大不列颠哥伦比亚省里士满)。Clarity系统在其他文献中已有描述,简言之,它是一种常规诊断扫描仪,利用红外跟踪技术确定超声探头(以及由此产生的超声图像)相对于治疗室等中心的位置(Lachaine和Falco 2013)。在RMH,扫描方案如下。在预定治疗时间前1小时,要求每例患者遵循饮水方案(排空膀胱,10分钟内饮用350 mL水,然后直至放疗实施后才排空膀胱)。在放射技师为患者摆好治疗体位后,由经过培训的临床肿瘤科医生或放射技师以尽可能小的探头压力获取子宫的三维经腹超声图像。Herlev医院的扫描方案相似,但患者未被要求遵循特定的膀胱充盈方案,且所有超声数据均由医学物理师采集。每例患者在其治疗期间多个时间点接受扫描,最终获得99个三维超声图像体积的数据集(23个来自在Herlev医院治疗的6例患者,75个来自在RMH治疗的11例患者)。所有超声图像均使用Clarity的自动融合与勾画工作站自动重采样至体素大小为0.58 × 0.58 × 58 mm的笛卡尔网格上。
数据选择与划分
Herlev医院患者
该队列中每例患者质量最高的图像构成一个独立的训练数据集,用于将子宫参数化为堆叠椭圆。一名患者的图像集质量明显低于其余患者。因此将其移除,以尽量减少勾画不确定性所致误差的传播,最终训练集由来自5例不同患者的5幅三维超声图像组成。
RMH患者
该患者队列的图像用于测试SE算法。在可用的75幅超声图像中,最初评估用于本研究的是每例患者采集的第一幅图像(共11幅图像)以及后续时间点扫描中随机选择的40幅图像。从这51幅超声图像的数据集中,进一步排除7幅图像不纳入后续分析,因为超声图像质量太差,无法显示子宫边界从而无法手动勾画(2幅来自患者RMH-3,1幅来自患者RMH-8,1幅来自患者RMH-10,以及来自患者RMH-11的全部3幅图像),最终形成来自10例患者的44幅超声图像的数据集。
手动勾画
一名经验丰富的观察者(S.M.)使用Clarity自动勾画与融合工作站,在训练集的5幅超声图像和验证集的44幅图像上手动勾画子宫轮廓。在该工作站中,在矢状面上绘制多个(4–6个)二维轮廓,覆盖子宫的左右范围;在轴位面上绘制多个(3–6个)二维轮廓,覆盖子宫的上下范围。随后该工作站通过在正交平面上的轮廓之间进行插值,生成三维轮廓。对该三维轮廓进行视觉检查并(必要时)手动编辑,以确保其符合子宫边界。既往研究显示,观察者S.M.勾画的轮廓与放射科医师和临床肿瘤科医师勾画的轮廓之间具有良好的一致性(Mason et al. 2017)。在Herlev队列中,这些轮廓被用作训练算法的输入。在RMH队列中,这些轮廓被用作衡量算法分割准确性的金标准。
SE算法描述
本工作中开发的SE算法结合了训练阶段、二维手动初始化以及基于特征提取的传统分割技术,以在三维超声图像上快速分割子宫。使用矢状面上一个手动初始化的二维切片,沿矢状面子宫长度在半轴位平面(即在上-下(sup-inf)方向可能存在倾斜的轴位平面)上创建一系列二维椭圆形初始化轮廓(见图3c中的灰色矩形)。每个椭圆的长轴是使用在SE算法训练阶段推导的基于人群的模型估计的,而每个椭圆的短轴则直接由矢状面上的手动初始化步骤定义。随后,根据超声图像半轴位平面中存在的图像特征对每个二维椭圆形轮廓进行变形,使其符合真实子宫边界,进行正则化以平滑轮廓并校正离群点,最后投影到三维空间。
训练阶段
训练阶段的目的是开发一个模型,使得在给定子宫高度的情况下能够估计沿半轴位椭圆形横截面的子宫宽度。生成椭圆的公式如方程所示,其中c1和c2是椭圆质心的x坐标点和y坐标点,a是长轴半径(对应解剖学左右方向),b是短轴半径。
三维手工轮廓被参数化为一系列堆叠的椭圆,采用以下三个步骤:1.确定可获得椭圆形截面的半轴切片方向:子宫切片平面应定向为使相应的子宫横截面近似呈椭圆形。若这些切片平面大致垂直于从子宫底到宫颈基部的弯曲路径(见图3c中白色虚线),则可实现这一点。该弯曲路径可呈现任何形态,取决于宫底相对于宫颈的位置。观察者S.M.(i)选择大致将子宫平分为左右两半的矢状面切片,并(ii)在子宫轮廓上放置四个标志点以将轮廓分为四段——子宫顶部、宫颈顶部、宫颈底部和子宫底部(见图3a)——以手动初始化切片平面的方向。通过在每个节段的上下两半自动放置相同数量的均匀分布锚点,由连接每对上下锚点的连线定义与矢状图像平面及宫底至宫颈路径正交或近正交的平面,如图3b所示。
确定最佳拟合椭圆:将三维手工轮廓插值到上一步生成的半轴切片平面上(见图3d中品红色点)。采用Hal和Flusser(1998)描述的“数值稳定的椭圆直接最小二乘拟合”方法寻找最佳拟合插值手工轮廓的椭圆(见图3d中蓝色椭圆),从而能够提取相应的长轴和短轴长度(分别为轴a和轴b)。构成手工轮廓的点的密度足够高,以确保在每个半轴切片上精确拟合椭圆。
线性回归:训练集中每位患者i的每个横截面j所衍生的轴长度构成模型中的一个数据点。采用线性最小二乘拟合描述椭圆轴之间的关系。所得形式的方程a = mb + K用于在SE算法的分割阶段根据椭圆子宫横截面的轴b估计轴a的长度(见图3e)。
分割阶段
训练后,SE算法能够在独立数据集上按以下四个步骤分割子宫:(i)手动初始化,(ii)轮廓变形,(iii)边界正则化和(iv)将二维轮廓投影到三维。以下描述这些步骤中的每一步,步骤2–5如图4.1所示。手动初始化:观察者在3D US体积中选择大致将子宫分为左右两半的矢状切片,在该切片上勾画子宫轮廓,并在轮廓上放置四个解剖标志点,以将子宫分为上部子宫、下部子宫、上部宫颈和下部宫颈部分。与训练阶段一样,相应顶部和底部轮廓段上均匀间隔的锚点(见图3b中的青色星号)用于定义(1)将提供椭圆形子宫横截面的半轴图像平面的方向,(2)每个椭圆形横截面的短轴b,以及(3)每个椭圆的质心(ci,c2)。参数a的初始猜测使用训练阶段确定的a与b之间的线性关系生成。然后,使用由锚点定义的每个半轴平面的所有这些参数生成初次猜测的椭圆轮廓。
轮廓变形:通过对原始3D US图像线性插值到由手动初始化步骤期间生成的锚点定义的半轴平面中,生成2D半轴US图像(见图5d)。相应的初次猜测椭圆轮廓根据从每个2D半轴图像提取的边界信息进行变形。初始化轮廓的位置以及子宫在US上相对于周围组织呈低回声的先验知识,被用于生成方向边缘图,这减小了负梯度或远离初始化轮廓的边界所产生边界的幅度或去除了这些边界。为了从每个2-D半轴图像生成方向边缘图f(x,y),我们使用了(Le et al. 2015)
有符号距离图的每个像素是图像I(x, y)中每个像素与椭圆初始化轮廓上最近点之间的最小欧几里得距离。如图5a所示,初始化轮廓外的点被赋予正距离,初始化轮廓内的点被赋予负距离。J(x, y)用于提供在假设子宫比其周围更暗的情况下I(x, y)的预期强度梯度模型。原始图像梯度(由高斯核平滑——见图5e)的相位分量与J(x,y)的点积提供了一种方便的方法来量化真实对比度梯度遵循模型的程度。与J(x, y)方向相同的对比度梯度被最大化,而与J(x, y)方向相反的对比度梯度被最小化,如图5b中的一致性图所示。在等式(2)中,一致性图对应于项∇V1 · J(x, y)。一致性图被用作阈值化工具,以确定将哪些边界包括在方向边缘图中。任何大于零的内容(即,对比度梯度具有沿J(x, y)方向的相位分量的地方)被包括,而任何小于或等于零的内容在方向边缘图中被设为零。
在基于梯度剔除虚假边界后,通过对一致性图取梯度平方,获得了一个初步的方向边缘图。该初步方向边缘图通过加权矩阵R(x, y)进行修正,如公式所示,其中d(x, y)是图像中每个像素与初步轮廓中最近点之间距离的映射(即符号距离图的绝对值),k是一个可调参数,用于决定边界因远离初步轮廓而受到惩罚的程度。如图5c所示,k值越小,远离初始化轮廓的边界受到的惩罚越重,因为R(x, y)的下降速度增加了。图5g提供了方向边缘图的一个示例。方向边缘图(图5g)上边界部分的峰值亮度对应于原始图像(图5d)上沿子宫边界最陡峭的对比度梯度。
为了确定子宫边界在方向边缘图上的位置,SE算法在方向边缘图上搜索最接近初始化点的图像强度峰值。具体而言,从方向边缘图上长度为r的径向采样中提取一维强度剖面,并将初始化轮廓沿该半径移动到最近峰值的位置(见图4)。这些峰值偏移点形成了每个半轴横截面的初步二维子宫轮廓。3.边界正则化:尽管构成初步轮廓的大多数点位于真实子宫边界上(定义为原始图像上沿子宫边缘最陡峭对比度梯度的位置),但有些点要么移动到方向边缘图中残留的虚假边界上,要么在不存在边界时停留在原位,使子宫边界显得参差不齐。再次基于子宫具有椭圆形横截面的假设,SE算法对每个初步轮廓拟合一个椭圆,以平滑子宫边界并减轻离群点的影响,如图5c和6所示。由于必须对每个二维半轴横截面拟合椭圆,因此实现了非迭代的“数值稳定的椭圆直接最小二乘拟合”算法(Hal和Flusser 1998),以最小化所需的计算时间。二维半轴初步轮廓的高点密度确保了使用该算法进行准确拟合。这些椭圆形成了子宫每个二维半轴横截面的最终轮廓。
二维轮廓向三维的投影:SE算法的最后一步是将图像空间中导出的所有二维子宫轮廓变换回它们在手动初始化步骤中定义的半轴平面上的真实空间位置。在边界正则化步骤中生成的椭圆上的每个贡献点都成为三维子宫轮廓中的一个表面点,如图7a所示。最终的子宫分割由围绕这些表面点的单一一致三维边界形成,该边界通过MATLAB 2017a(The MathWorks, Natick, MA, USA)中的“boundary”函数进行三角剖分生成,如图7b所示。与传统凸包运算(Chazelle 1993)类似,该函数包络一组表面点,但包含一个称为“收缩因子”的附加参数,该参数将三维边界拉向凸包内部。这对于确保子宫体与宫颈体之间的清晰边界非常重要,尤其是在子宫底靠近宫颈的情况下。
算法性能评估
三名观察者使用SE算法对独立验证队列中44名患者的每幅图像进行子宫半自动分割。在每个算法生成的轮廓与金标准手动轮廓之间测量Dice相似系数(DSC)(Dice 1945)和平均绝对表面对表面距离(MSSD)(Yan et al. 2010)。对于三维体积轮廓A和B,DSC计算为,其中1表示完全重叠,0表示无重叠;MSSD定义为A表面上每一点(共n个点)与B表面上最近邻点之间的平均绝对距离,如公式所示。报告所有三名观察者的DSC和MSSD值的中位数和四分位距(IQR),(i)针对每名患者单独报告,(ii)针对整个研究人群报告。
为评估是否可能在临床相关的时间尺度上实施SE算法,记录了一名观察者(S.M.)完成44幅超声图像每幅手动初始化所需的时间。报告中位数和IQR时间。此外,还记录了自动分割步骤的计算时间。
结果
训练阶段
图8展示了(i)训练队列中五名患者各自以及(ii)整个人群中,对半轴位子宫横截面进行手动勾画后最佳拟合椭圆的長轴与短轴(分别为轴a和轴b)之间的关系。用于从b估算轴a(子宫左右径)的线性拟合为a = 1.01 * b + 11.3。该线性拟合的决定系数(R2)为0.60。
分割阶段
使用表2中的参数对测试队列中的所有患者实施SE算法。参数的选择基于先前使用Le等人(2015)开发的多尺度广义梯度向量流算法在先前研究(Mason et al. 2018)采集的数据上分割健康志愿者子宫的经验。
表3概述了验证队列中所有三名观察者的SE算法与手动金标准轮廓之间的一致性。图9以图形方式展示了每名观察者和每名患者的这些结果。总体中位数[IQR] DSC和MSSD分别为0.80 [0.03]和3.3 [0.2] mm。
观察者S.M.执行手动初始化所需的中位数[IQR]时间为40 [16] s。SE算法其余步骤在MATLAB 2017a中、在配备2.8-GHz Intel Core处理器和16 GB RAM的计算机上实施时的计算时间总结于表4。
讨论
既往研究表明,不同观察者所绘制手动轮廓之间的中位数[IQR] DSC和MSSD分别为0.78 [0.11]和3.20 [1.8] mm(Mason et al. 2017)。这些值可作为评估算法生成的分割能否准确定位和描述子宫位置与形状的基准值。由于SE算法分割与手动分割之间的一致性(中位数[IQR] DSC和MSSD分别为0.80 [0.03]和3.3 [0.2] mm)处于观察者间手动轮廓一致性的范围内,因此认为SE算法在放疗(RT)实施前对子宫分割具有可接受的准确性。与Elekta的Assisted Gyne Segmentation算法(Mason et al. 2017)不同,使用SE算法分割子宫时未出现完全失败的情况(即完全未命中真实子宫边界的几何错误,或算法未能生成三维轮廓)。此外,如Figure 10所示,即使US图像质量较差,甚至US视野未完全覆盖子宫,SE算法仍保持了较高的分割准确性。
椭圆性子宫横截面长轴的长度随短轴长度的增加而增加。尽管描述这一关系的最小二乘线性拟合在训练队列的各患者之间略有差异,如Figure 8a所示,但总体趋势足够相似,可在给定短轴的情况下为长轴提供良好的初步估计。这一点在分割阶段得到证实,其中仅由5例患者组成的训练队列得出的线性关系被成功应用于一个完全不同的患者队列,最终分割结果达到了所需准确性。为比较训练队列和验证队列之间长轴与短轴的总体趋势,验证队列中患者首张可用US图像的手动三维轮廓以与训练队列相同的方式参数化为椭圆,从而可提取椭圆轴长度。在测试队列中,轴a和b之间的关系为a = 1.3b +11.1,这与训练队列计算出的趋势相似(a = 1.01b + 11.3)。
在当前的临床实践中,CBCT通常用于验证子宫是否位于PTV内或PTV外。这一过程通常需要几分钟,而图像质量较差时需要更多时间进行分析。SE算法的手动初始化步骤所需的平均时间不到一分钟,表明该算法可以在临床可接受的时间范围内实施(以当前CBCT图像分析的实践作为“临床可接受”的基准)。
SE算法中使用的所有后续步骤计算成本都不高(因此也不耗时), except for the step where the 3-D US image was interpolated onto a series of arbitrarily orientated semi-axial planes。在没有任何优化的情况下,该步骤在MATLAB中的计算时间为30秒至3分钟,具体取决于构成子宫的半轴切面数量。尽管代码优化和转换为编译语言(如C)可以显著减少算法运行时间,但以当前形式使用SE算法分割子宫所需的时间约为几分钟,这被认为是临床可接受的。
本研究的一个局限性是样本量小;尽管这些结果表明,SE算法在给定5例患者的训练队列和来自完全不同医院的10例患者的完全独立验证队列的情况下能够准确分割子宫,但仍需要更大的数据集来确认算法的性能。特别是,分析中未纳入国际妇产科联盟(FIGO)宫颈癌分期大于IIIB期的患者(范围:IIA–IIIB期,中位数:IIB期,基线患者特征见表1)。由于IV期宫颈癌通常表现为体积较大的肿瘤,具有异质性软组织对比,SE算法对子宫形状和对比度的假设在该人群中可能不成立。然而,由于英国IV期宫颈癌的发病率相对较低(据英国癌症研究中心[2017]报告为8%的病例),当前形式的SE算法可能仅对一小部分人群不适用。
尽管SE算法的准确度已达到观察者间轮廓一致性的水平,但该算法一个可能有待改进的方面是先验子宫形状知识与特征提取之间的权衡。子宫横截面为椭圆形这一假设被严格施加。尽管这在真实子宫边界被遮蔽或otherwise不清晰的情况下成功约束了分割,但其代价是阻止轮廓顺应偏离该椭圆形状的边界,如图10中手动轮廓(黄色)与算法导出轮廓(品红色)之间的差异所示。未来工作可研究使用三维边界正则化方法、更复杂的形状先验(如Gong等人[2004]描述的超级椭圆)或额外的加权参数以根据超声图像质量修改轮廓灵活性。或者,可能可以使用机器学习方法如支持向量机(Yang等人2011)或神经网络(Egmont-Petersen等人2002;Carneiro等人2012;Ronneberger等人2015)对SE算法手动初始化步骤中生成的二维半轴切片上的子宫进行分割,由此将图像中每个像素分类为“子宫”或“背景”。这具有吸引力,因为关于目标形状和对比度的假设不必被明确考虑;相反,一个图像数据库及相应的金标准分割将用于建立最佳地将像素分类为前景或背景的模型参数(即支持向量机中的支持向量或神经网络中的权重)。然而,这些方法的一个主要缺点是需要大量训练数据来生成代表整个目标人群的数据库,这妨碍了本研究中对这些方法的探究。
最后,本研究中分析的图像由Clarity Autoscan生成,其采用简单的(即非复合)三维扇形扫描格式,未必针对图像引导放疗目的对子宫成像进行优化。未来工作应测试使用如三维扩展孔径复合(Mason等人2018)等技术改善子宫图像质量是否能进一步提高子宫边界分割方法如SE算法的性能。
结论
SE算法得出的轮廓与手动轮廓之间的一致性,等同于子宫手动轮廓的观察者间一致性。尽管尚不清楚SE算法是否适用于分割患有巨大病灶的宫颈癌患者的子宫,但这些结果表明,当用于FIGO IIIB期或更低期别疾病的患者时,该算法是准确的。此外,SE算法在具有临床意义的时间尺度内完成了子宫分割,并使用小型训练集提供了初始化阶段所需的子宫形状先验知识。尽管需要在更大的患者队列中确认算法性能,但本研究结果表明,SE算法可应用于自适应放疗(RT)工作流程中,以在三维超声(US)图像上快速、准确地分割子宫。
引用
- Mason SA, White IM, Lalondrelle S, et al. The Stacked-Ellipse Algorithm: An Ultrasound-Based 3-D Uterine Segmentation Tool for Enabling Adaptive Radiotherapy for Uterine Cervix Cancer. Ultrasound Med Biol. 2020. PMID: 31926750. doi:10.1016/j.ultrasmedbio.2019.09.001
- 全文:PMC7043010(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7043010/
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。