四川省肿瘤医院头颈放疗三病区
电子科技大学和成都医学院硕士生导师
国家神经疾病医学中心脑胶质瘤MDT西南专科联盟理事会理事
四川省肿瘤学会口腔头颈专委会委员
四川省医促会鼻咽癌专委会委员
四川省医促会人工智能与肿瘤专委会委员
四川省医创会肿瘤免疫分会委员
中国生物医学工程会精确放疗技术分会会员
研究方向:基于深度学习的医学图像分割与智能靶区勾画;鼻咽癌综合治疗的基础与临床
主持国家自然科学基金青年项目1项,主持省部级课题2项,参与省部级课题3项。近3年以第一作或通讯作者发表SCI论文10篇,其中包括放疗领域Top期刊(红皮和绿皮)3篇。
四川省肿瘤医院年度优秀质控员
一、研究背景
放射治疗是非转移性鼻咽癌最主要的根治性治疗手段,颈部淋巴引流区勾画(CTV_LN)是鼻咽癌放射治疗计划中的重要组成部分[1, 2]。长期以来,淋巴引流区勾画主要由医生手动完成,这是一项费时费力的工作,且容易出现勾画者偏倚[3, 4]。然而,精准的靶区勾画对于精准的放射治疗计划至关重要,它可以最大程度的提高肿瘤控制率和降低周围正常组织损伤。自适应放疗是一种对治疗过程中解剖结构和肿瘤大小的变化进行实时优化的放疗手段[5-7]。其目的是确保患者在放疗期间有足够的肿瘤覆盖,同时尽可能减少危及器官的剂量。尽管自适应性放疗的概念已经提出多年,但由于技术原因,其临床应用仍然受到限制。通常,它要求医生在放疗期间对患者进行多次定位CT扫描和多次手动勾画靶区,这无疑增加了放疗医生的工作负担和延长了患者等待放疗的时间。
基于深度学习 (Deep learning) 的自动勾画已成为解决手动勾画相关问题的一种非常有前景的方法[8-10]。通过高质量的训练数据,深度学习算法可以在几分钟内生成与专家勾画非常相似的靶区。这种自动勾画方法在鼻咽癌和其他肿瘤放疗过程中的危及器官勾画方面显示出了巨大的应用潜力[11-14]。另外,基于深度学习的自动勾画也尝试应用到头颈部鳞癌的淋巴引流区勾画。Van der Veen等人建立了一种深度学习模型并验证了其在头颈部鳞癌淋巴引流区中勾画的性能[15]。结果表面,自动勾画可以显著提高勾画效率并降低不同勾画者之间的异质性。Cardenas 等人也开发了一种深度学习模型,用于头颈部鳞癌常见淋巴引流区组合的的勾画,其准确性达到了专家级水平[16]。
既往的研究主要分析了深度学习算法在头颈部鳞癌中颈部淋巴引流区分割的准确性。然而,值得注意的是鼻咽癌是不同于其他头颈部肿瘤的,现有模型和模型生成的靶区是不可能直接应用于鼻咽癌的放射治疗。既往用于训练那些模型的靶区均是基于2013年头颈肿瘤颈部淋巴引流区勾画指南进行勾画[17]。然而,鼻咽癌的淋巴结转移方式与头颈部肿瘤显著不同[18, 19]。针对这一现象,中山大学基于1000多个鼻咽癌患者的淋巴结构建了鼻咽癌颈部淋巴结分布图谱。他们发现,2013年的颈部淋巴引流区勾画指南大部分适用于鼻咽癌。但是,Ib、II、IVa和V区的某些边界需要进行调整。例如,在勾画Ib区时,颌下腺可以省略[20]。此外,张石川等人也对IIb区和V区的勾画提出了修改意见[21, 22]。因此,为了促进鼻咽癌放疗的自动勾画流程,有必要建立一种专门针对鼻咽癌淋巴引流区的深度学习模型。
抗肿瘤治疗,包括化疗和放射治疗,通常会导致肿瘤体积、解剖结构和图像密度的变化。与未经治疗的图像相比,这些改变对深度学习模型在治疗后图像上进行准确分割提出了额外的挑战。然而,既往的研究并没有深入分析深度学习模型在治疗前和治疗后CT图像(我们称之为自适应图像)上的分割性能变化。这些分析将为模型的稳健性及其适应复杂临床场景的能力提供宝贵意见。通过评估模型在自适应图像上的性能,我们可以明确其在治疗后图像上分割靶区的有效性,并评估其在自适应放疗中的临床应用价值。
在手动勾画淋巴引流区的过程中,通常是根据淋巴结转移的风险,勾画几个 淋巴结分区的组合[23-25]。例如,对于N0的鼻咽癌患者,建议勾画双侧的II、III和Va区;对于N1的患者,建议勾画同侧颈部的II-V区和对侧的II、III和Va区[26]。这种照射方式,我们称之为选择性颈部淋巴结照射。然而,既往的鼻咽癌自动勾画模型缺乏选择性输出淋巴引流区靶区的能力,这与目前的临床实践是不符合的。
基于以上存在的临床问题,我们拟建立一个专门针对鼻咽癌淋巴引流区分割的深度学习模型,该模型能够为放疗医师提供个体化的淋巴引流区照射靶区(Patient-specific delineation),并且能够在自适应图像上实现精准和鲁棒的勾画(Adaptive delineation),推动鼻咽癌自适应放疗的发展。
二、材料与方法
1.数据搜集
我们拟收集多个肿瘤中心的放疗定位CT图像。为了使模型能够适应不同的临床场景并验证其分割性能的准确性,搜集的定位CT图像必须多样化,包括不同机型扫描的,平扫和增强的,诱导化疗前后的和自适应放疗期间不同时段采集的CT图像。
2.训练集靶区勾画
2.1为了构建能够用于鼻咽癌放疗的淋巴引流区照射靶区,因此我们的靶区勾画需做一些调整,将参照国内提出的鼻咽癌淋巴结分布图谱进行勾画。例如,Ib区需要省略颌下腺,IIb区的后界需省略胸锁乳突肌与颈部肌肉筋膜紧密结合的部分,V的外界在出现肩胛舌骨肌的时需要内收。
2.2 为了使模型能够输出个体化的淋巴引流区靶区,我们首先勾画两个单独的淋巴结分区和4个常见的淋巴结组合区域:Left_Ib, Right_Ib, Left_II+III+Va, Right_ II+III+Va, Left_IV+Vb+Vc和Right_IV+Vb+Vc。其他的淋巴结分区组合,我们可以通过对深度学习模型输出的以上6个靶区后处理获得。例如,通过组合Left_II+III+Va和Right_II+III+Va,我们可以获的Bilateral_II+III+Va,即选择性的上半颈照射。
3.分割网络的构建
这里,我们将建立一个新的针对鼻咽癌的深度学习模型,用于淋巴引流区的分割。
4.模型性能的分析
这里就不再展开描述了,主要包括定量评价指标,如DSC和HD95等,以及定性评价指标,比如多中心专家独立评估等。
三、技术路线图
图注:本研究的流程图。图中右上方是提出的分割框架,它由三部分组成,输入图像处理模块、分割模块和后处理模块。输入处理模块的目的是定位解剖位置并裁剪轮廓,进一步调整输入图像以满足分割网络的要求。分割网络将输入块分割成六个淋巴引流区靶区。后处理模块对六个靶区进行细化处理并自适应组合以满足临床要求。最终,本模型可以输出13种不同的淋巴引流区靶区(见表一)。ceCT(增强CT),ueCT(平扫CT),XXXX代表某个医院。
表一,本模型输出的13种淋巴引流区靶区
表注:R(右侧),L(左侧),B(双侧)。
[1] Chen YP, Chan ATC, Le QT, et al. Nasopharyngeal carcinoma[J]. Lancet, 2019, 394: 64-80.
[2] Sun XS, Liu SL, Luo MJ, et al. The Association Between the Development of Radiation Therapy, Image Technology, and Chemotherapy, and the Survival of Patients With Nasopharyngeal Carcinoma: A Cohort Study From 1990 to 2012[J]. Int J Radiat Oncol Biol Phys, 2019, 105: 581-590.
[3] Peng YL, Chen L, Shen GZ, et al. Interobserver variations in the delineation of target volumes and organs at risk and their impact on dose distribution in intensity-modulated radiation therapy for nasopharyngeal carcinoma[J]. Oral Oncol, 2018, 82: 1-7.
[4] van der Veen J, Gulyban A, Nuyts S. Interobserver variability in delineation of target volumes in head and neck cancer[J]. Radiother Oncol, 2019, 137: 9-15.
[5] Deng S, Liu X, Lu H, et al. Three-Phase Adaptive Radiation Therapy for Patients With Nasopharyngeal Carcinoma Undergoing Intensity-Modulated Radiation Therapy: Dosimetric Analysis[J]. Technol Cancer Res Treat, 2017, 16: 910-916.
[6] Ding GX, Duggan DM, Coffey CW, et al. A study on adaptive IMRT treatment planning using kV cone-beam CT[J]. Radiother Oncol, 2007, 85: 116-125.
[7] Huang H, Lu H, Feng G, et al. Determining appropriate timing of adaptive radiation therapy for nasopharyngeal carcinoma during intensity-modulated radiation therapy[J]. Radiat Oncol, 2015, 10: 192.
[8] Lin L, Dou Q, Jin YM, et al. Deep Learning for Automated Contouring of Primary Tumor Volumes by MRI for Nasopharyngeal Carcinoma[J]. Radiology, 2019, 291: 677-686.
[9] Liao W, He J, Luo X, et al. Automatic Delineation of Gross Tumor Volume Based on Magnetic Resonance Imaging by Performing a Novel Semisupervised Learning Framework in Nasopharyngeal Carcinoma[J]. Int J Radiat Oncol Biol Phys, 2022, 113: 893-902.
[10] Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42: 60-88.
[11] Chen X, Sun S, Bai N, et al. A deep learning-based auto-segmentation system for organs-at-risk on whole-body computed tomography images for radiation therapy[J]. Radiother Oncol, 2021, 160: 175-184.
[12] Tang H, Chen X, Liu Y, et al. Clinically applicable deep learning framework for organs at risk delineation in CT images[J] 2019, 1: 480-491.
[13] Vrtovec T, Močnik D, Strojan P, et al. Auto-segmentation of organs at risk for head and neck radiotherapy planning: From atlas-based to deep learning methods[J]. Med Phys, 2020, 47: e929-e950.
[14] Liao W, Luo X, He Y, et al. Comprehensive Evaluation of a Deep Learning Model for Automatic Organs at Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy[J]. Int J Radiat Oncol Biol Phys, 2023.
[15] van der Veen J, Willems S, Bollen H, et al. Deep learning for elective neck delineation: More consistent and time efficient[J]. Radiother Oncol, 2020, 153: 180-188.
[16] Cardenas CE, Beadle BM, Garden AS, et al. Generating High-Quality Lymph Node Clinical Target Volumes for Head and Neck Cancer Radiation Therapy Using a Fully Automated Deep Learning-Based Approach[J]. Int J Radiat Oncol Biol Phys, 2021, 109: 801-812.
[17] Grégoire V, Ang K, Budach W, et al. Delineation of the neck node levels for head and neck tumors: a 2013 update. DAHANCA, EORTC, HKNPCSG, NCIC CTG, NCRI, RTOG, TROG consensus guidelines[J]. Radiother Oncol, 2014, 110: 172-181.
[18] King AD, Ahuja AT, Leung SF, et al. Neck node metastases from nasopharyngeal carcinoma: MR imaging of patterns of disease[J]. Head Neck, 2000, 22: 275-281.
[19] Tang L, Mao Y, Liu L, et al. The volume to be irradiated during selective neck irradiation in nasopharyngeal carcinoma: analysis of the spread patterns in lymph nodes by magnetic resonance imaging[J]. Cancer, 2009, 115: 680-688.
[20] Lin L, Lu Y, Wang XJ, et al. Delineation of Neck Clinical Target Volume Specific to Nasopharyngeal Carcinoma Based on Lymph Node Distribution and the International Consensus Guidelines[J]. Int J Radiat Oncol Biol Phys, 2018, 100: 891-902.
[21] Zhang J, Pan L, Ren J, et al. Level IIb CTV delineation based on cervical fascia anatomy in nasopharyngeal cancer[J]. Radiother Oncol, 2015, 115: 46-49.
[22] Zhao Y, Liao X, Wang Y, et al. Level Ib CTV delineation in nasopharyngeal carcinoma based on lymph node distribution and topographic anatomy[J]. Radiother Oncol, 2022, 172: 10-17.
[23] Chen JZ, Le QT, Han F, et al. Results of a phase 2 study examining the effects of omitting elective neck irradiation to nodal levels IV and Vb in patients with N(0-1) nasopharyngeal carcinoma[J]. Int J Radiat Oncol Biol Phys, 2013, 85: 929-934.
[24] Li JG, Yuan X, Zhang LL, et al. A randomized clinical trial comparing prophylactic upper versus whole-neck irradiation in the treatment of patients with node-negative nasopharyngeal carcinoma[J]. Cancer, 2013, 119: 3170-3176.
[25] Huang CL, Qiu YY, Du XJ, et al. Upper-Neck Versus Whole-Neck Irradiation at the Contralateral Uninvolved Neck in Patients With Unilateral N3 Nasopharyngeal Carcinoma[J]. Int J Radiat Oncol Biol Phys, 2023, 116: 788-796.
[26] Tang LL, Huang CL, Zhang N, et al. Elective upper-neck versus whole-neck irradiation of the uninvolved neck in patients with nasopharyngeal carcinoma: an open-label, non-inferiority, multicentre, randomised phase 3 trial[J]. Lancet Oncol, 2022, 23: 479-490.