[论文解读] A deep learning-based framework for segmenting invisible clinical target volumes with estimated uncertainties for post-operative prostate cancer radiotherapy

Anjali Balagopal, Dan Nguyen+10 more|arXiv (Cornell University)|Apr 28, 2020

Advanced Neural Network Applications参考文献 44被引用 12

一句话总结

本文提出了一种深度学习框架，通过先分割附近的器官，再利用其解剖关系来指导临床靶区体积（CTV）的勾画，实现术后前列腺癌放疗中不可见临床靶区体积的分割。该模型在50例患者的独立测试集上实现了0.87的平均Dice相似系数，并估计了不确定性以支持医生审查，其临床质量与专家手动勾画相当。

ABSTRACT

In post-operative radiotherapy for prostate cancer, the cancerous prostate gland has been surgically removed, so the clinical target volume (CTV) to be irradiated encompasses the microscopic spread of tumor cells, which cannot be visualized in typical clinical images such as computed tomography or magnetic resonance imaging. In current clinical practice, physicians segment CTVs manually based on their relationship with nearby organs and other clinical information, per clinical guidelines. Automating post-operative prostate CTV segmentation with traditional image segmentation methods has been a major challenge. Here, we propose a deep learning model to overcome this problem by segmenting nearby organs first, then using their relationship with the CTV to assist CTV segmentation. The model proposed is trained using labels clinically approved and used for patient treatment, which are subject to relatively large inter-physician variations due to the absence of a visual ground truth. The model achieves an average Dice similarity coefficient (DSC) of 0.87 on a holdout dataset of 50 patients, much better than established methods, such as atlas-based methods (DSC<0.7). The uncertainties associated with automatically segmented CTV contours are also estimated to help physicians inspect and revise the contours, especially in areas with large inter-physician variations. We also use a 4-point grading system to show that the clinical quality of the automatically segmented CTV contours is equal to that of approved clinical contours manually drawn by physicians.

研究动机与目标

• 解决术后前列腺癌放疗中不可见临床靶区体积（CTV）分割的挑战，此时不存在可视化的肿瘤真实标签。
• 通过使用临床认可的标签进行训练的深度学习方法自动化分割，以减少医生间CTV勾画的差异性。
• 在传统基于图谱的方法（Dice相似系数 < 0.7）的基础上进一步提高分割精度。
• 对自动化CTV勾画结果进行不确定性估计，以指导医生审查，特别是在观察者间差异较高的区域。
• 使用4分制临床评分系统验证自动化CTV勾画是否符合临床标准。

提出的方法

• 采用两阶段深度学习框架：首先使用基于U-Net的架构分割危及器官（OARs），如直肠和膀胱。
• 其次，模型利用已分割的OARs之间的空间关系和已知的解剖约束，结合临床指南中的先验知识，预测CTV。
• 尽管临床标签存在较高的观察者间差异，模型仍使用临床认可的、由医生标注的标签进行训练，并采用一种鼓励与临床实践一致性的损失函数。
• 通过推理阶段的蒙特卡洛Dropout进行不确定性估计，生成多个预测结果以量化预测方差。
• 采用4分制临床评分系统，将自动化勾画结果与专家手动勾画结果进行质量比较。
• 在包含50例术后前列腺癌患者的独立测试集上对框架进行评估，数据包含CT和MRI扫描。

实验结果

研究问题

• RQ1 当不存在可视化的肿瘤真实标签时，深度学习模型能否准确分割术后前列腺癌中的不可见CTV？
• RQ2 与基于图谱的方法相比，利用危及器官分割和解剖关系是否能提升CTV分割性能？
• RQ3 深度学习模型的不确定性估计能否有效突出需要医生关注的区域，特别是在医生间差异较高的区域？
• RQ4 自动化生成的CTV勾画的临床质量是否与专家手动勾画相当？
• RQ5 即使标签存在差异，基于临床认可标签（尽管存在变异）训练的深度学习框架能否产生稳健可靠的分割结果？

主要发现

• 所提出的深度学习框架在50例术后前列腺癌患者的独立测试集上实现了0.87的平均Dice相似系数（DSC），显著优于基于图谱的方法（DSC < 0.7）。
• 该模型的自动化CTV勾画获得了与医生绘制勾画相当的4分临床评分，表明其具有临床可接受性。
• 模型生成的不确定性图清晰标示出观察者间差异较高的区域，支持针对性的医生审查。
• 该框架对标签差异具有鲁棒性，因为其训练所用的标签虽存在已知的医生间差异，但已被临床认可。
• 将器官分割与解剖先验知识相结合，显著提升了CTV分割的准确性，相较于直接分割方法有明显优势。
• 结果表明，即使缺乏可视化真实标签，深度学习模型仍可有效基于临床标签进行训练，从而实现在不可见靶区体积分割中的自动化。