AccuLearning自动勾画临床靶区和危及器官用于宫颈癌术后放疗的可行性研究

doi:10.3969/j.issn.1006-5725.2024.02.005

摘要/Abstract

摘要：

目的从几何学和剂量学探讨AccuLearning（AL）建立宫颈癌术后临床靶区（CTV）和危及器官（OARs）自动勾画模型应用于临床的可行性。方法选取75例宫颈癌术后手动勾画CT数据，60例应用AL训练生成自动勾画模型，并对剩余15例进行自动勾画，同时将自动勾画图像上的放疗计划导入到手动勾画结构上，比较两种勾画方式的效率、戴斯相似系数（DSC）、豪斯多夫距离（HD）和剂量学差异。结果自动勾画时间明显小于手动勾画（P < 0.05）；各结构DSC值≥ 0.87；肠袋和直肠的HD值在10 mm左右，其余结构小于5 mm；剂量学评估CTV（D98、V90%、V95%、Dmean、 HI）、肠袋（V50）和膀胱（V50）有显著性差异（P < 0.05）。结论基于AL形成的宫颈癌术后自动勾画模型提高了放疗效率，OARs具有直接应用于临床的可能性，CTV仍需进一步修改。

关键词: 自动勾画, 宫颈癌, 临床靶区, 危及器官, 剂量学

Abstract:

Objective To explore the feasibility of automatic segmentation of clinical target volume （CTV） and organs at risk （OARs） for cervical cancer using AccuLearning （AL） based on geometric and dosimetric indices. Methods Seventy-five CT localization images with manual contouring data of postoperative cervical cancer were enrolled in this study. Sixty cases were randomly selected to trained to generate automatic segmentation model by AL， and the CTV and OARs of the remaining 15 cases were automatically contoured. Radiotherapy plans on the automatic segmentation contours were imported on the CT images of manual contours. The efficiency， Dice similarity coefficient （DSC）， Hausdorff distance （HD） and dosimetric parameters were compared between the two methods. Results The time of automatic segmentation was significantly shorter than that of the manual contour（P < 0.05）. The DSC of all structures were ≥ 0.87. The HD of bowel bag and rectum were about 10 mm， and that of the rest of OARs were less than 5 mm. CTV （D98， V90%， V95%， Dmean， HI）， bowel bag （V50） and bladder （V50） had significant differences in dosimetric comparison（P < 0.05）. Conclusion The automatic segmentation model based on AL can improve the efficiency of radiotherapy. Automatic segmentation of OARs has the potential of clinical application， while that of CTV still needs to be further modified.

Key words: automatic segmentation, cervical cancer, clinical target volume, organs at risk, dosimetry

中图分类号:

R811.1

陈飞,龚筱钦,余云鹏,游涛,王旭,戴春华,胡静. AccuLearning自动勾画临床靶区和危及器官用于宫颈癌术后放疗的可行性研究[J]. 实用医学杂志, 2024, 40(2): 153-157.

Fei CHEN,Xiaoqin GONG,Yunpeng YU,Tao YOU,Xu WANG,Chunhua DAI,Jing HU. Feasibility of automatic segmentation of CTV and OARs in postoperative radiotherapy for cervical cancer using AccuLearning[J]. The Journal of Practical Medicine, 2024, 40(2): 153-157.

图/表 6

表1

图1

表2

表3

图2

表4

参考文献 26

1	CHARGARI C， PEIGNAUX K， ESCANDE A， et al. Radiotherapy of cervical cancer［J］. Cancer Radiother， 2022， 26（1/2）： 298-308. doi:10.1016/j.canrad.2021.11.009 doi: 10.1016/j.canrad.2021.11.009
2	POLGAR C， MAJOR T， VARGA S. Radiotherapy and radio-chemotherapy of cervical cancer［J］.Magy Onkol， 2022， 66（4）： 307-314.
3	GUO Q， WANG R， JIN D， et al. Comparison of adjuvant chemoradiotherapy versus radiotherapy in early-stage cervical cancer patients with intermediate-risk factors： A systematic review and meta-analysis［J］. Taiwan J Obstet Gyne， 2022， 61（1）： 15-23. doi:10.1016/j.tjog.2021.11.006 doi: 10.1016/j.tjog.2021.11.006
4	FAYE M D， ALFIERI J. Advances in Radiation Oncology for the Treatment of Cervical Cancer［J］. Curr Oncol， 2022， 29（2）： 928-944. doi:10.3390/curroncol29020079 doi: 10.3390/curroncol29020079
5	陈默，黄荣，蒋军. 调强放射治疗条件下根治性宫颈癌的长期生存报道［J］. 实用医学杂志， 2020， 36（20）： 2810-2814. doi:10.3969/j.issn.1006-5725.2020.20.013 doi: 10.3969/j.issn.1006-5725.2020.20.013
6	CHOPRA S， GUPTA S， KANNAN S， et al. Late Toxicity After Adjuvant Conventional Radiation Versus Image-Guided Intensity-Modulated Radiotherapy for Cervical Cancer （PARCER）： A Randomized Controlled Trial［J］.J Clin Oncol， 2021， 39（33）： 3682-3692. doi:10.1200/jco.20.02530 doi: 10.1200/jco.20.02530
7	RIOS I， VASQUEZ I， CUERVO E， et al. Problems and solutions in IGRT for cervical cancer［J］. Rep Pract Oncol Radiother， 2018， 23（6）： 517-527. doi:10.1016/j.rpor.2018.05.002 doi: 10.1016/j.rpor.2018.05.002
8	WANG J， CHEN Z， YANG C， et al. Evaluation Exploration of Atlas-Based and Deep Learning-Based Automatic Contouring for Nasopharyngeal Carcinoma［J］. Front Oncol， 2022， 12： 833816. doi:10.3389/fonc.2022.833816 doi: 10.3389/fonc.2022.833816
9	KANO Y， IKUSHIMA H， SASAKI M， et al. Automatic contour segmentation of cervical cancer using artificial intelligence［J］.J Radiat Res， 2021， 62（5）： 934-944. doi:10.1093/jrr/rrab070 doi: 10.1093/jrr/rrab070
10	RADICI L， FERRARIO S， BORCA V C， et al. Implementation of a Commercial Deep Learning-Based Auto Segmentation Software in Radiotherapy： Evaluation of Effectiveness and Impact on Workflow［J］. Life （Basel）， 2022， 12（12）： 2088. doi:10.3390/life12122088 doi: 10.3390/life12122088
11	JU Z， WU Q， YANG W， et al. Automatic segmentation of pelvic organs-at-risk using a fusion network model based on limited training samples［J］. Acta Oncol， 2020， 59（8）： 933-939. doi:10.1080/0284186x.2020.1775290 doi: 10.1080/0284186x.2020.1775290
12	LIU Z， LIU X， GUAN H， et al. Development and validation of a deep learning algorithm for autodelineation of clinical target volume and organs at risk in cervical cancer radiotherapy［J］. Radiother Oncol， 2020， 153： 172-179. doi:10.1016/j.radonc.2020.09.060 doi: 10.1016/j.radonc.2020.09.060
13	NIE S， WEI Y， ZHAO F， et al. A dual deep neural network for auto-delineation in cervical cancer radiotherapy with clinical validation［J］. Radiat Oncol， 2022， 17（1）： 182. doi:10.1186/s13014-022-02157-5 doi: 10.1186/s13014-022-02157-5
14	XIAO C， JIN J， YI J， et al. RefineNet-based 2D and 3D automatic segmentations for clinical target volume and organs at risks for patients with cervical cancer in postoperative radiotherapy［J］. J Appl Clin Med Phys， 2022， 23（7）： e13631. doi:10.1002/acm2.13631 doi: 10.1002/acm2.13631
15	DING Y， CHEN Z， WANG Z， et al. Three-dimensional deep neural network for automatic delineation of cervical cancer in planning computed tomography images［J］. J Appl Clin Med Phys， 2022， 23（4）： e13566. doi:10.1002/acm2.13566 doi: 10.1002/acm2.13566
16	钱涵，汪红艳，王凡. 呼吸触发前瞻门控在早期非小细胞肺癌立体定向放射治疗中剂量学优势［J］. 实用医学杂志， 2023， 39（1）： 86-91.
17	TAN MBBS MRCP FRCR MD L T， TANDERUP PHD K， KIRISITS PHD C， et al. Image-guided Adaptive Radiotherapy in Cervical Cancer［J］. Semin Radiat Oncol， 2019， 29（3）： 284-298. doi:10.1016/j.semradonc.2019.02.010 doi: 10.1016/j.semradonc.2019.02.010
18	SHELLEY C E， BOLT M A， HOLLINGDALE R， et al. Implementing cone-beam computed tomography-guided online adaptive radiotherapy in cervical cancer［J］.Clin Transl Radiat Oncol， 2023， 40： 100596. doi:10.1016/j.ctro.2023.100596 doi: 10.1016/j.ctro.2023.100596
19	BRETO A L， SPIELER B， ZAVALA-ROMERO O， et al. Deep Learning for Per-Fraction Automatic Segmentation of Gross Tumor Volume （GTV） and Organs at Risk （OARs） in Adaptive Radiotherapy of Cervical Cancer［J］. Front Oncol， 2022， 12： 854349. doi:10.3389/fonc.2022.854349 doi: 10.3389/fonc.2022.854349
20	CHOI M S， CHOI B S， CHUNG S Y， et al. Clinical evaluation of atlas- and deep learning-based automatic segmentation of multiple organs and clinical target volumes for breast cancer［J］. Radiother Oncol， 2020， 153： 139-145. doi:10.1016/j.radonc.2020.09.045 doi: 10.1016/j.radonc.2020.09.045
21	URAGO Y， OKAMOTO H， KANEDA T， et al. Evaluation of auto-segmentation accuracy of cloud-based artificial intelligence and atlas-based models［J］. Radiat Oncol， 2021， 16（1）： 175. doi:10.1186/s13014-021-01896-1 doi: 10.1186/s13014-021-01896-1
22	CAO M， STIEHL B， YU V Y， et al. Analysis of geometric performance and dosimetric Impact of using automatic contour segmentation for radiotherapy planning［J］. Front Oncol， 2020， 10： 1762. doi:10.3389/fonc.2020.01762 doi: 10.3389/fonc.2020.01762
23	ZHU J， CHEN X， YANG B， et al. Evaluation of Automatic Segmentation Model With Dosimetric Metrics for Radiotherapy of Esophageal Cancer［J］. Front Oncol， 2020， 10： 564737. doi:10.3389/fonc.2020.564737 doi: 10.3389/fonc.2020.564737
24	KAWULA M， PURICE D， LI M， et al. Dosimetric impact of deep learning-based CT auto-segmentation on radiation therapy treatment planning for prostate cancer［J］. Radiat Oncol， 2022， 17（1）： 21. doi:10.1186/s13014-022-01985-9 doi: 10.1186/s13014-022-01985-9
25	FUNG N T C， HUNG W M， SZE C K， et al. Automatic segmentation for adaptive planning in nasopharyngeal carcinoma IMRT： Time， geometrical， and dosimetric analysis［J］. Med Dosim， 2020， 45（1）： 60-65. doi:10.1016/j.meddos.2019.06.002 doi: 10.1016/j.meddos.2019.06.002
26	何奕松，蒋家良，余行，等. 影像分割中Dice系数和Hausdorff距离的比较［J］. 中国医学物理学杂志，2019，36（11）：1307-1311. doi:10.3969/j.issn.1005-202X.2019.11.012 doi: 10.3969/j.issn.1005-202X.2019.11.012

参数	手动勾画（s）	自动勾画（s）	时间节省百分比（%）	t值	P值
CTV	3 158.00 ± 405.78	34.93 ± 3.77	98.89	29.873	< 0.001
肠袋	1 382.00 ± 145.71	33.80 ± 2.78	97.55	35.829	< 0.001
直肠	174.20 ± 13.76	34.00 ± 2.90	80.48	39.405	< 0.001
膀胱	212.80 ± 12.66	34.27 ± 2.74	83.90	50.548	< 0.001
骨髓	1 582.87 ± 51.81	34.00 ± 2.98	97.85	115.394	< 0.001
右侧股骨头	138.60 ± 7.50	34.00 ± 2.80	75.47	49.138	< 0.001
左侧股骨头	137.40 ± 8.93	34.40 ± 2.61	74.64	46.195	< 0.001

参数	CTV	肠袋	直肠	膀胱	骨髓	右侧股骨头	左侧股骨头
DSC	0.90 ± 0.02	0.90 ± 0.03	0.87 ± 0.07	0.91 ± 0.08	0.92 ± 0.01	0.94 ± 0.03	0.94 ± 0.02
HD（mm）	4.23 ± 0.92	10.58 ± 3.43	9.48 ± 7.82	4.48 ± 3.97	1.56 ± 0.33	1.79 ± 0.83	2.55 ± 0.97

研究	CTV	肠袋	直肠	膀胱	骨髓	右侧股骨头	左侧股骨头
JU等^［11］	-	0.87（小肠）	0.87	0.95	-	0.92	0.92
LIU等^［12］	0.86	0.85	0.82	0.91	0.85	0.90	0.90
NIE等^［13］	0.85	0.89	0.84	0.93	-	0.93	0.92
XIAO等^［14］	0.82	0.90（小肠）	0.88	0.95		0.97	0.97
DING等^［15］	0.85	0.82（小肠）	0.85	0.94	0.92	0.81	0.82
本研究	0.90	0.90	0.87	0.91	0.92	0.94	0.94

参数	手动勾画	自动勾画	t值	P值
CTV
D98（Gy）	47.54 ± 1.00	49.70 ± 0.05	-8.212	< 0.001
D2（Gy）	51.52 ± 0.12	51.52 ± 0.13	-0.435	0.670
V90（%）	99.25 ± 0.49	100.00 ± 0.00	-5.856	< 0.001
V95（%）	98.09 ± 0.85	100.00 ± 0.00	-8.675	< 0.001
Dmean（Gy）	50.64 ± 0.09	50.82 ± 0.05	-7.315	< 0.001
HI	1.05 ± 0.01	1.03 ± 0.00	7.005	< 0.001
肠袋
V30（%）	36.38 ± 4.52	34.92 ± 1.32	1.472	0.163
V40（%）	17.39 ± 4.04	15.76 ± 2.52	2.049	0.060
V50（%）	4.16 ± 2.07	2.95 ± 1.01	2.579	0.022
Dmean（Gy）	26.25 ± 1.88	26.01 ± 1.06	0.558	0.586
直肠
V30（%）	84.88 ± 3.90	85.94 ± 3.56	-1.036	0.318
V40（%）	43.35 ± 6.44	44.51 ± 5.37	-0.927	0.370
V50（%）	2.59 ± 1.68	2.31 ± 1.63	0.622	0.544
Dmean（Gy）	37.19 ± 0.68	37.40 ± 0.74	-0.922	0.372
膀胱
V50（%）	19.95 ± 7.50	17.01 ± 5.29	4.063	0.001
Dmean（Gy）	43.31 ± 2.32	42.64 ± 2.00	1.927	0.074
骨髓Dmean（Gy）	25.70 ± 0.84	25.75 ± 0.88	-0.996	0.336
右侧股骨头Dmean（Gy）	11.41 ± 1.33	11.32 ± 1.41	0.636	0.535
左侧侧股骨头Dmean（Gy）	11.20 ± 1.33	11.43±1.55	-1.954	0.071

[1]	胡静,王旭,龚筱钦,凌锐,游涛,戴春华,田野,陈飞. 宫颈癌同步放化疗急性放射性肠炎的剂量学参数分析[J]. 实用医学杂志, 2024, 40(5): 672-676.
[2]	江宝妮,张美琴,杨露,陈致远,韩娜娜. 循环肿瘤DNA检测在人乳头瘤病毒相关性宫颈癌中的应用与展望[J]. 实用医学杂志, 2024, 40(2): 129-132.
[3]	李萍,汤拓,郑皑雪,张鲁平,王涛,洪鲜,邓志会. 微小染色体维持蛋白2基因诱导性敲除宫颈癌HeLa细胞系的建立及对DNA复制的影响[J]. 实用医学杂志, 2024, 40(2): 133-139.
[4]	袁盛龙,胡缓缓,贡震. ACS NSQIP手术风险计算器预测开腹宫颈癌根治术手术风险的价值[J]. 实用医学杂志, 2024, 40(2): 140-145.
[5]	王敏,母丹,孔德军,杨莉,叶璐,贺丹. HPV16 E6调控miR-23a表达促进宫颈癌细胞侵袭、迁移[J]. 实用医学杂志, 2024, 40(2): 146-152.
[6]	张永珍,王珊珊,赵海灵,徐丽伟. 宫颈癌患者血清miR-651、miR-630水平及临床意义[J]. 实用医学杂志, 2024, 40(2): 158-162.
[7]	张雁瑞,黄新翼,史健,杨怡晖,刘丽敏,胡海燕. 具有基底细胞特征的宫颈癌临床病理分析[J]. 实用医学杂志, 2024, 40(2): 163-168.
[8]	魏丕喜,邓玉,赵彩玲,徐柳,张敏. WD重复域蛋白5在宫颈癌组织中的表达及其与患者临床病理特征的关系[J]. 实用医学杂志, 2024, 40(2): 169-173.
[9]	张清伟,尹如铁. 宫颈癌诊治热点与进展[J]. 实用医学杂志, 2024, 40(17): 2357-2362.
[10]	陈车,罗德红,喻皇飞,张琴,胡小池,余盛华,李亚军. 自动勾画技术在全乳内侧瘤床同步推量中的应用[J]. 实用医学杂志, 2024, 40(17): 2406-2411.
[11]	廖恺,田允鸿,郑荣辉,何彩娴,彭继勇,李慧君. 早期鼻咽癌调强放疗设置颈前后部限量环减少头颈淋巴水肿的剂量学研究[J]. 实用医学杂志, 2024, 40(12): 1659-1664.
[12]	钟华曾梅青周玉婷何舜卿卢秉慧 . 超声微泡造影剂携带pcDNA⁃STC1转染人宫颈癌细胞HeLa 的研究 [J]. 实用医学杂志, 2023, 39(8): 936-943.
[13]	逯彦越, 赵欣欣, 刘立燕, 王凯叶静文, 刘凌云王宝金, . 内源性芳香烃配体ITE影响及机制对宫颈癌细胞生物学行为的 [J]. 实用医学杂志, 2023, 39(6): 679-687.
[14]	张华明,何婉珊,韩芸,陈冠桥,陈斌,韦之富,伍恒英,文斌. 基于转录组测序探索腺苷脱氨酶1对宫颈癌细胞的调控机制[J]. 实用医学杂志, 2023, 39(24): 3169-3174.
[15]	杨光,张丹凤,冯晓娜,张燕. 细胞程序性死亡蛋白5与宫颈癌患者病理特征的关系及对淋巴结转移发生风险的评估价值[J]. 实用医学杂志, 2023, 39(24): 3210-3213.