论文部分内容阅读
【摘要】目的 探讨利用U-Net卷积神经网络模型对肺癌原发灶进行自动勾画。方法 本研究构建了端到端的U-Net卷积神经网络自动勾画模型，以198例肺癌患者CT影像和原发灶（Gross Target Volume，GTV）为研究对象，使用戴斯相似系数（Dice Similarity Coefficient， DSC）、杰卡德相似系数（Jaccard Similarity Coefficient，JSC）、平均表面距离（Average Surface Distance，ASD）和豪斯多夫距离（Hausdorff Distance， HD）来评估模型对20例测试集数据自动勾画的精准度。结果 测试集的20例患者的平均DSC值为0.78±0.08，平均JSC值为0.69±0.07，平均ASD值为（1.64±0.4）mm，平均HD值为（5.5±2.2）mm。结论 利用U-Net卷积神经网络的自动勾画方法能够相对准确地进行肺癌原发灶的勾画，该方法能够提升临床医生的勾画效率和一致性。
【关键词】肺癌;深度学习;自动勾画
【中图分类号】R-1 【文献标识码】A 【文章编号】2107-2306（2020）03-049-02
前言
放射治疗是肺癌治疗的主要手段之一。当前放射治疗的靶区勾画是由医生在CT等影像上逐张手动勾画，重复性的工作增加了医生的负担。另外，不同医生勾画的不一致性也使放疗的效果存在不确定性。近年来，以卷积神经网络（convolutional neural network， CNNs）为代表的深度学习在计算机科学领域取得了巨大的成功。据报道，自动分割可分割大脑、肝脏、直肠、膀胱、前列腺等各种图像类型的器官，分割的图像模态包括CT、MRI、超声等[1]。这些研究表明，自动勾画的性能可与手动勾画相比，甚至更好。本研究中，我们将构建U-Net卷积神经网络模型，研究其对肺癌原发灶GTV的自动勾画，并探讨其在临床应用的可行性。
1材料和方法
1.1数据 本研究选取自2018年8月至2019年12月在歙县人民医院接受放射治疗的共计198例肺癌患者CT图像数据。所有肺癌肿瘤的原发灶（Gross Target Volume，GTV）均由主管医师在Monaco计划系统勾画。
1.2卷积神经网络结构 U-Net是一个卷积神经网络[2]，主要用于医学图像的分割。本研究所使用的U-Net网络结构如下图1所示，主要由卷积层、最大池化层（下采样）、反卷积层（上采样）、ReLU非线性激活函数、批归一化层及Dropout层组成。收缩路径包含2个重复的3×3卷积和2个非线性ReLU激活函数，以及一个步长为2的MaxPooling池化层（用来降采样），每次降采样都会将特征通道数加倍而特征图尺寸减半。扩张路径中的每一步都包括对特征图的上采样（2×2上卷积），这将会把特征通道数量减半，然后与来自收缩路径对应的特征图串联拼接，再经过两个3×3卷积和2个非线性ReLU激活函数。最后一层为1×1卷积。同时，为了加速网络收敛，我们在收缩和扩张路径的两个卷积层后添加了批归一化层[3]。
1.3训练过程 我们随机将总计198例患者中的20例作为测试集，用来评估网络模型自动勾画性能。剩余160例作为训练集，18例作为验证集。医师的手动勾画作为U-Net网络学习训练的“金标准”。为了增加训练的样本量，我们对训练图像进行了翻转、随机旋转和放大缩小的数据增广处理。本研究使用1-DSC作为损失函数。优化器使用的是学习率为0.0001的Nadam优化器。训练轮次Epoch100次，单次放入样本量Batch_size设置为16。
1.4性能评估指标 研究使用戴斯相似系数（Dice Similarity Coefficient， DSC）、杰卡德相似系数（Jaccard Similarity Coefficient，JSC）、平均表面距离（Average Surface Distance，ASD）和豪斯多夫距离（Hausdorff Distance， HD）来评估模型对测试集分割的精准度
2结果
2.1自动勾画准确性 表1给出了本研究所用的U-Net卷积神经网络模型对肺癌原发灶GTV的自动勾画结果。20例患者的平均DSC值为0.78±0.08，平均JSC值为0.69±0.07，平均ASD值为（1.64±0.4）mm，平均HD值为（5.5±2.2）mm。图2为选取的3例患者（a、b和c代表）自动勾画与手动勾画的可视化结果，其中红线代表医生勾画的结果，绿线代表U-Net网络模型预测的自动勾画结果。从图中可以看出，绿线与红线有较好的重合度，但在肿瘤区域的某些边缘区域存在一定的差异。
图2选取的三例患者的自动勾画与手动勾画结果，其中红线代表手动勾画的轮廓线，绿色代表自动勾画的结果。
2.2训练和预测时间 使用一块Tesla P40 GPU对U-Net网络模型进行100轮次的训练时间为6个小时左右。自动分割一张CT的肺癌GTV所需的平均时间约为89ms，耗时远低于医生手动勾画的时间。
3结论
本研究提出基于人工智能的自动分割方法，即使用U-Net卷积神经网络进行肺癌原发灶GTV的自动勾画。此模型能达到与放疗医师相当的勾画轮廓准确性：平均DSC值为0.78，平均JSC值为0.69，平均ASD值为1.64 mm，平均HD值为5.5mm。在实际临床使用过程中能得到较为准确的勾画结果。但对某些较小肺癌病灶，特别是在病灶起始和结束的CT层面，此网络模型未能给出勾画结果或勾画结果同手动勾画结果差异较大。其中一些病例的CT层面未能成功自动勾画，而某些CT层面的自动勾画结果明显小于金标准结果。这表明我们的方法虽然给出相对精确的勾画结果，但仍存在一些限制性。
参考文献
[1] Geert Litjens， Thijs Kooi， Babak Ehteshami Bejnordi， Arnaud Arindra Adiyoso Setio et al.， A survey on deep learning in medical image analysis， Medical Image Analysis， 2017， 42： 60-88
[2] Ronneberger O， Fischer P， Brox T. U-net： Convolutional networks for biomedical image segmentation. Springer， Cham， International Conference on Medical image computing and computer-assisted intervention. （2015） 234-241.
[3] Ioffe S， Szegedy C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift. International Conference on Machine Learning （2015） arXiv：1502.03167
作者簡介：叶菁（1988.12）男，皖黄山，汉族，本科，助理工程师，研究方向：放射物理
【关键词】肺癌;深度学习;自动勾画
【中图分类号】R-1 【文献标识码】A 【文章编号】2107-2306（2020）03-049-02
前言
放射治疗是肺癌治疗的主要手段之一。当前放射治疗的靶区勾画是由医生在CT等影像上逐张手动勾画，重复性的工作增加了医生的负担。另外，不同医生勾画的不一致性也使放疗的效果存在不确定性。近年来，以卷积神经网络（convolutional neural network， CNNs）为代表的深度学习在计算机科学领域取得了巨大的成功。据报道，自动分割可分割大脑、肝脏、直肠、膀胱、前列腺等各种图像类型的器官，分割的图像模态包括CT、MRI、超声等[1]。这些研究表明，自动勾画的性能可与手动勾画相比，甚至更好。本研究中，我们将构建U-Net卷积神经网络模型，研究其对肺癌原发灶GTV的自动勾画，并探讨其在临床应用的可行性。
1材料和方法
1.1数据 本研究选取自2018年8月至2019年12月在歙县人民医院接受放射治疗的共计198例肺癌患者CT图像数据。所有肺癌肿瘤的原发灶（Gross Target Volume，GTV）均由主管医师在Monaco计划系统勾画。
1.2卷积神经网络结构 U-Net是一个卷积神经网络[2]，主要用于医学图像的分割。本研究所使用的U-Net网络结构如下图1所示，主要由卷积层、最大池化层（下采样）、反卷积层（上采样）、ReLU非线性激活函数、批归一化层及Dropout层组成。收缩路径包含2个重复的3×3卷积和2个非线性ReLU激活函数，以及一个步长为2的MaxPooling池化层（用来降采样），每次降采样都会将特征通道数加倍而特征图尺寸减半。扩张路径中的每一步都包括对特征图的上采样（2×2上卷积），这将会把特征通道数量减半，然后与来自收缩路径对应的特征图串联拼接，再经过两个3×3卷积和2个非线性ReLU激活函数。最后一层为1×1卷积。同时，为了加速网络收敛，我们在收缩和扩张路径的两个卷积层后添加了批归一化层[3]。
1.3训练过程 我们随机将总计198例患者中的20例作为测试集，用来评估网络模型自动勾画性能。剩余160例作为训练集，18例作为验证集。医师的手动勾画作为U-Net网络学习训练的“金标准”。为了增加训练的样本量，我们对训练图像进行了翻转、随机旋转和放大缩小的数据增广处理。本研究使用1-DSC作为损失函数。优化器使用的是学习率为0.0001的Nadam优化器。训练轮次Epoch100次，单次放入样本量Batch_size设置为16。
1.4性能评估指标 研究使用戴斯相似系数（Dice Similarity Coefficient， DSC）、杰卡德相似系数（Jaccard Similarity Coefficient，JSC）、平均表面距离（Average Surface Distance，ASD）和豪斯多夫距离（Hausdorff Distance， HD）来评估模型对测试集分割的精准度
2结果
2.1自动勾画准确性 表1给出了本研究所用的U-Net卷积神经网络模型对肺癌原发灶GTV的自动勾画结果。20例患者的平均DSC值为0.78±0.08，平均JSC值为0.69±0.07，平均ASD值为（1.64±0.4）mm，平均HD值为（5.5±2.2）mm。图2为选取的3例患者（a、b和c代表）自动勾画与手动勾画的可视化结果，其中红线代表医生勾画的结果，绿线代表U-Net网络模型预测的自动勾画结果。从图中可以看出，绿线与红线有较好的重合度，但在肿瘤区域的某些边缘区域存在一定的差异。
图2选取的三例患者的自动勾画与手动勾画结果，其中红线代表手动勾画的轮廓线，绿色代表自动勾画的结果。
2.2训练和预测时间 使用一块Tesla P40 GPU对U-Net网络模型进行100轮次的训练时间为6个小时左右。自动分割一张CT的肺癌GTV所需的平均时间约为89ms，耗时远低于医生手动勾画的时间。
3结论
本研究提出基于人工智能的自动分割方法，即使用U-Net卷积神经网络进行肺癌原发灶GTV的自动勾画。此模型能达到与放疗医师相当的勾画轮廓准确性：平均DSC值为0.78，平均JSC值为0.69，平均ASD值为1.64 mm，平均HD值为5.5mm。在实际临床使用过程中能得到较为准确的勾画结果。但对某些较小肺癌病灶，特别是在病灶起始和结束的CT层面，此网络模型未能给出勾画结果或勾画结果同手动勾画结果差异较大。其中一些病例的CT层面未能成功自动勾画，而某些CT层面的自动勾画结果明显小于金标准结果。这表明我们的方法虽然给出相对精确的勾画结果，但仍存在一些限制性。
参考文献
[1] Geert Litjens， Thijs Kooi， Babak Ehteshami Bejnordi， Arnaud Arindra Adiyoso Setio et al.， A survey on deep learning in medical image analysis， Medical Image Analysis， 2017， 42： 60-88
[2] Ronneberger O， Fischer P， Brox T. U-net： Convolutional networks for biomedical image segmentation. Springer， Cham， International Conference on Medical image computing and computer-assisted intervention. （2015） 234-241.
[3] Ioffe S， Szegedy C. Batch Normalization： Accelerating Deep Network Training by Reducing Internal Covariate Shift. International Conference on Machine Learning （2015） arXiv：1502.03167
作者簡介：叶菁（1988.12）男，皖黄山，汉族，本科，助理工程师，研究方向：放射物理