自动勾画技术在全乳内侧瘤床同步推量中的应用

doi:10.3969/j.issn.1006-5725.2024.17.009

摘要/Abstract

摘要：

目的通过比较自动勾画（auto-segmentation， AS）与人工勾画（manually segmented， MS）结构的几何、剂量和工作时间差异，以评估自动勾画在全乳放疗内侧瘤床同步推量中应用的可行性与有效性。方法选取遵义市第一人民医院收治的左侧乳腺癌保乳术后行单纯全乳大分割放疗内侧瘤床同期推量患者30例，采用戴斯系数（DSC）、95%豪斯多夫距离（95HD）评估软件AccuContour自动勾画的全乳计划靶区（PTV）和心肺结构几何差异；然后比较两组对应放疗计划PlanA和PlanM靶区和心肺剂量学差异；最后比较两组花费时间。结果自动勾画实现了肿瘤计划靶区（PGTV）、PTV、肺和心脏DSC分别为0.94（0.91，0.96）、0.88（0.86，0.91）、0.98（0.97，0.98）和0.94（0.93，0.95），95HD（cm）分别为0.25（0.20，0.33）、0.99（0.56，1.20）、0.29（0.25，0.35）和0.50（0.50，0.59）；剂量学结果显示AS组PGTV和PTV的V₉₅、D₉₅和D_mean明显低于人工勾画组（P < 0.05），而左肺的V₂₀和MLD明显增大（P < 0.05），心脏剂量参数差异无统计学意义；两组PGTV和心肺的剂量参数平均绝对差异小于1 Gy/1%；工作效率上，自动勾画组中能在2 d内完成对超过70%的患者勾画和计划，时间大幅缩短。结论与人工勾画相比，在全乳放疗内侧瘤床推量中自动勾画靶区和心肺的几何和剂量参数差异较小。如果在计划优化前对PTV人工略微修改，或可使工作效率显著提高。

关键词: 乳腺癌, 自动勾画, 剂量学, 内侧瘤床

Abstract:

Objective To assess the viability and efficacy of employing automated segmentation for whole breast radiotherapy with simultaneous integrated boost to the medial tumor beds， a comparative analysis was conducted on the disparities in geometry， dosimetry， and working time between the auto-segmentation （AS） and manual segmentation （MS） groups. Methods A total of 30 patients with early breast cancer， who had undergone conserving surgery and received hypofractionated radiotherapy with a boost to the medial tumor bed， were enrolled from the First People's Hospital of Zunyi. AccuContour software was used in the AS group to obtain the whole breast planning target volume and cardiopulmonary structure. Geometric differences between AS and MS groups were assessed using Dice similarity coefficient （DSC） and 95% Hausdorff distance （95HD）. Subsequently， a comparison was made between the two groups regarding target and cardiopulmonary dosimetry for PlanA and PlanM. Additionally， the time spent by each group was also compared. Results The DSC of PGTV， PTV， lung， and heart were 0.94（0.91，0.96）， 0.88（0.86，0.91）， 0.98（0.97，0.98） and 0.94（0.93，0.95）， respectively. And the 95 HD（cm） were 0.25（0.20，0.33）， 0.99（0.56，1.20）， 0.29（0.25，0.35） and 0.50（0.50，0.59） respectively. The dosimetric results showed that the V95， D95， and Dmean of PGTV and PTV in the AS group were significantly lower than those in the MS group （P < 0.05）； while the V₂₀ and MLD of the left lung were significantly higher （P < 0.05）. No significant difference was observed in cardiac dose between the two groups. The mean absolute differences of PGTV and cardiopulmonary dose parameters between the two groups were less than 1 Gy/1%， respectively. In terms of work efficiency， the AS approach substantially reduced contouring and planning time with over 70% of cases approved within two days. Conclusions The differences in geometric and dosimetric parameters between the auto-segmentation and manual segmentation groups were found to be negligible for whole breast radiotherapy with medial tumor bed boost patients. It is recommended that the PTV be manually modified prior to plan optimization， leading to a significant improvement in work efficiency.

Key words: breast cancer, auto-segmentation, dosimetry, medial tumor bed

中图分类号:

R737.9

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.

Che CHEN,Dehong LUO,Huangfei YU,Qin ZHANG,Xiaochi HU,Shenghua YU,Yajun. LI. Clinical Application of automatic delineation in whole breast radiotherapy with simultaneous integrated boost to the medial tumor beds[J]. The Journal of Practical Medicine, 2024, 40(17): 2406-2411.

图/表 5

图1

表1

图2

表 2

图3

参考文献 27

1	SUNG H， FERLAY J， SIEGEL R L， et al. Global Cancer Statistics 2020： GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries［J］. CA Cancer J Clin， 2021，71（3）：209-249. doi:10.3322/caac.21660 doi: 10.3322/caac.21660
2	ANDRIANARISON V A， LAOUITI M， FARGIER-BOCHATON O， et al. Contouring workload in adjuvant breast cancer radiotherapy［J］. Cancer Radiother， 2018，22（8）：747-753. doi:10.1016/j.canrad.2018.01.008 doi: 10.1016/j.canrad.2018.01.008
3	LI X A， ARTHUR D W， BUCHHOLZ T A， et al. Variability of target and normal structure delineation for breast-cancer radiotherapy： A RTOG multi-institutional and multi-observer study［J］. Int J Radiat Oncol Biol Phys， 2009，73（3）：944-951. doi:10.1016/j.ijrobp.2008.10.034 doi: 10.1016/j.ijrobp.2008.10.034
4	陈飞，龚筱钦，余云鹏，等. 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.
5	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
6	邢碧媛，盛宇涵，赵迎超，等. 人工智能在恶性肿瘤放射治疗领域的相关应用及进展［J］. 临床肿瘤学杂志， 2020，25（7）：656-663.
7	VINOD S K， JAMESON M G， MIN M， et al. Uncertainties in volume delineation in radiation oncology： A systematic review and recommendations for future studies［J］. Radiother Oncol， 2016，121（2）：169-179. doi:10.1016/j.radonc.2016.09.009 doi: 10.1016/j.radonc.2016.09.009
8	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
9	AHN S H， YEO A U， KIM K H， et al. Comparative clinical evaluation of atlas and deep-learning-based auto-segmentation of organ structures in liver cancer［J］. Radiat Oncol， 2019，14（1）：213. doi:10.1186/s13014-019-1392-z doi: 10.1186/s13014-019-1392-z
10	ANDREWS S， HAMARNEH G. Multi-Region Probabilistic Dice Similarity Coefficient using the Aitchison Distance and Bipartite Graph Matching［J］. Computer Science， 2015. DOI：10.48550/arXiv.1509.07244 . doi: 10.48550/arXiv.1509.07244
11	BAROUDI H， BROCK K K， CAO W， et al. Automated contouring and planning in radiation therapy： What is 'clinically acceptable'？［J］. Diagnostics （Basel）， 2023，13（4）：667. doi:10.3390/diagnostics13040667 doi: 10.3390/diagnostics13040667
12	MACCHIA G， CILLA S， BUWENGE M， et al. Intensity-modulated radiotherapy with concomitant boost after breast conserving surgery： A Phase I-II trial［J］. Breast Cancer （Dove Med Press）， 2020，12：243-249. doi:10.2147/bctt.s261587 doi: 10.2147/bctt.s261587
13	ANDRADE T R M， FONSECA M C M， SEGRETO H R C， et al. Meta-analysis of long-term efficacy and safety of hypofractionated radiotherapy in the treatment of early breast cancer［J］. Breast， 2019，48：24-31. doi:10.1016/j.breast.2019.08.001 doi: 10.1016/j.breast.2019.08.001
14	陈车，陈睿，陆治江，等. 多叶准直器角度改变对左侧全乳大分割放疗瘤床推量的剂量学影响［J］. 辐射研究与辐射工艺学报， 2023，41（4）：53-59.
15	VANDEWINCKELE L， CLAESSENS M， DINKLA A， et al. Overview of artificial intelligence-based applications in radiotherapy： Recommendations for implementation and quality assurance［J］. Radiother Oncol， 2020，153：55-66. doi:10.1016/j.radonc.2020.09.008 doi: 10.1016/j.radonc.2020.09.008
16	LOI G， FUSELLA M， LANZI E， et al. Performance of commercially available deformable image registration platforms for contour propagation using patient‐based computational phantoms： A multi‐institutional study［J］. Med Phys， 2018，45（2）：748-757. doi:10.1002/mp.12737 doi: 10.1002/mp.12737
17	ZHOU H， LI Y， GU Y， et al. A deep learning based automatic segmentation approach for anatomical structures in intensity modulation radiotherapy［J］. Math Biosci Eng， 2021，18（6）：7506-7524. doi:10.3934/mbe.2021371 doi: 10.3934/mbe.2021371
18	GUO B， SHAH C， XIA P. Automated planning of whole breast irradiation using hybrid IMRT improves efficiency and quality［J］. J Appl Clin Med Phys， 2019，20（12）：87-96. doi:10.1002/acm2.12767 doi: 10.1002/acm2.12767
19	VOET P W J， DIRKX M L P， TEGUH D N， et al. Does atlas-based autosegmentation of neck levels require subsequent manual contour editing to avoid risk of severe target underdosage？ A dosimetric analysis［J］. Radiother Oncol， 2011，98（3）：373-377. doi:10.1016/j.radonc.2010.11.017 doi: 10.1016/j.radonc.2010.11.017
20	GUO H， WANG J， XIA X， et al. The dosimetric impact of deep learning-based auto-segmentation of organs at risk on nasopharyngeal and rectal cancer［J］. Radiat Oncol， 2021，16（1）：113. doi:10.1186/s13014-021-01837-y doi: 10.1186/s13014-021-01837-y
21	YAN C， GUO B， TENDULKAR R， et al. Contour similarity and its implication on inverse prostate SBRT treatment planning［J］. J Appl Clin Med Phys， 2023，24（2）：e13809. doi:10.1002/acm2.13809 doi: 10.1002/acm2.13809
22	POEL R， RÜFENACHT E， HERMANN E， et al. The predictive value of segmentation metrics on dosimetry in organs at risk of the brain［J］. Med Image Anal， 2021，73：102161. doi:10.1016/j.media.2021.102161 doi: 10.1016/j.media.2021.102161
23	SHARP G， FRITSCHER K D， PEKAR V， et al. Vision 20/20： perspectives on automated image segmentation for radiotherapy［J］. Med Phys， 2014，41（5）：50902. doi:10.1118/1.4871620 doi: 10.1118/1.4871620
24	DAI Z， ZHANG Y， ZHU L， et al. Geometric and dosimetric evaluation of deep learning-based automatic delineation on CBCT-Synthesized CT and planning CT for breast cancer adaptive radiotherapy： A multi-institutional study［J］. Front Oncol， 2021，11：725507. doi:10.3389/fonc.2021.725507 doi: 10.3389/fonc.2021.725507
25	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
26	BAROUDI H， MINH NGUYEN C I HUY， MAROONGROGE S， et al. Automated contouring and statistical process control for plan quality in a breast clinical trial［J］. Phys Imaging Radiat Oncol， 2023，28：100486. doi:10.1016/j.phro.2023.100486 doi: 10.1016/j.phro.2023.100486
27	ZHONG Y， GUO Y， FANG Y， et al. Geometric and dosimetric evaluation of deep learning based auto-segmentation for clinical target volume on breast cancer［J］. J Appl Clin Med Phys， 2023，24（7）：e13951. doi:10.1002/acm2.13951 doi: 10.1002/acm2.13951

结构	勾画体积		t值	P值
结构	自动勾画	人工勾画	t值	P值
靶区
PGTV	61.09 ± 31.03	58.23 ± 31.95	4.73	< 0.001
PTV	673.32 ± 186.36	643.69 ± 191.57	3.72	0.001
危及器官
左肺	1 100.51 ± 190.51	1 106.79 ± 186.01	-2.46	0.02
心脏	543.35 ± 76.95	569.21 ± 78.45	-5.58	< 0.001

结构	剂量参数	自动勾画	人工勾画	绝对差异（△）	t值	P值
靶区
PGTV	V₉₅（%）	99.27 ± 0.52	99.79 ± 0.27	0.55 ± 0.41^*	-6.31	< 0.001
	D₉₅(Gy)	48.23 ± 0.71	48.65 ± 0.47	0.56 ± 0.39^*	-4.19	< 0.001
	D_mean(Gy)	50.05 ± 0.23	50.12 ± 0.29	0.20 ± 0.19^*	-1.39	0.18
PTV	V₉₅（%）	96.77 ± 2.29	99.40 ± 0.45	2.64 ± 2.13	-6.75	< 0.001
	D₉₅(Gy)	39.48 ± 2.35	41.43 ± 0.48	2.12 ± 2.02	-4.88	< 0.001
	D_mean(Gy）	43.83 ± 0.68	44.36 ± 0.44	0.56 ± 0.40	-5.95	< 0.001
危及器官
左肺	V₅（%）	46.09 ± 4.41	46.28 ± 4.46	0.19 ± 2.29	-0.31	0.76
	V₂₀（%）	19.18 ± 1.59	18.39 ± 1.76	0.98 ± 1.09	3.48	0.02
	MLD(Gy)	10.22 ± 0.79	9.87 ± 0.79	0.48 ± 0.50*	3.19	0.03
心脏	V₈（%）	18.31 ± 2.28	18.61 ± 2.35	0.30 ± 2.58	-0.74	0.47
	V₃₀（%）	4.67 ± 1.94	4.64 ± 2.03	0.03 ± 1.40	0.15	0.89
	MHD(Gy)	5.41 ± 0.82	5.49 ± 0.85	0.08 ± 0.69*	-0.79	0.44

[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]	宋子旭,朱光正,郭晨旭,武佳琪,张立功,钱军. SLC35A2、前叶黄素亚基2在乳腺癌中的表达及其与临床观察指标和预后的关系[J]. 实用医学杂志, 2024, 40(4): 496-502.
[3]	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.
[4]	曾颖华,李文姬,郑莉. 经外周置入中心静脉导管后首次换药时间对乳腺癌术后患者的影响[J]. 实用医学杂志, 2024, 40(19): 2772-2777.
[5]	詹银周,陈俊衡,陈超,蔡楚源,马学珠,郭春明. 伤害感受水平指数指导瑞芬太尼输注靶浓度对接受乳腺癌根治术患者细胞免疫和缺氧诱导因子-1α的影响[J]. 实用医学杂志, 2024, 40(18): 2566-2570.
[6]	李劭晋,郑世鹏. 术前影像病理特征及肿瘤标志物预测乳腺癌前哨淋巴结转移风险[J]. 实用医学杂志, 2024, 40(17): 2418-2424.
[7]	方玲玉,胡璟骅,文俊峰,韩诗琪,王雅丽,蒲卢兰,李静佳,杨懿,邓世山,侯令密,周方方. 泛素特异性蛋白酶20、低氧诱导因子1α在乳腺癌中的表达变化及意义[J]. 实用医学杂志, 2024, 40(16): 2270-2276.
[8]	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.
[9]	艾勇彪黄军袁杰李文仿 . 早期三阴性乳腺癌中雄激素受体表达与临床病理特征及预后的关系 [J]. 实用医学杂志, 2023, 39(8): 975-979.
[10]	袁柳青梁伟东李晓玲邓六香钟茂林 . 耳穴压豆联合经皮穴电刺激预防乳腺癌术后恶心呕吐的效果 [J]. 实用医学杂志, 2023, 39(5): 642-646.
[11]	石夕冉,王恒,何力兵,邱志强,李泓箭,徐晓雪. 多模态磁共振预测乳腺癌淋巴结转移状态的研究进展[J]. 实用医学杂志, 2023, 39(22): 2861-2865.
[12]	车雅丹,李丽霞. 小分子抗血管生成药物在晚期乳腺癌中的研究进展[J]. 实用医学杂志, 2023, 39(22): 2866-2871.
[13]	庄赵为,袁武梅,任作东,李上飞,陈明贵,曾妍. 乳腺癌患者外周血中颗粒酶B和穿孔素的表达及意义[J]. 实用医学杂志, 2023, 39(22): 2872-2877.
[14]	刘海英,陈峰,姚嘉. 下调胰岛素样生长因子抑制miR-767-5p的表达对乳腺癌细胞增殖、迁移、侵袭及上皮间充质转化的影响[J]. 实用医学杂志, 2023, 39(22): 2878-2884.
[15]	张正花,龚荣府,方文. 敲除成纤维细胞生长因子2基因抑制乳腺癌MCF-7细胞的增殖、迁移侵袭并促进细胞凋亡[J]. 实用医学杂志, 2023, 39(22): 2885-2890.