乳腺癌保乳术后放疗中手术夹自动分割助力靶区精准勾画

《BMC Medical Imaging》：Auto-segmentation of surgical clips for target volume delineation in post-lumpectomy breast cancer radiotherapy

为解决乳腺癌保乳术后放疗靶区勾画难题，研究人员开发自动分割模型，该模型效果优于现有模型，意义重大。

　　在乳腺癌的治疗领域，保乳手术（Breast-conserving surgery，BCS）联合全乳放疗（Whole-breast irradiation，WBI）已成为多数早期乳腺癌患者的标准治疗方案。在 WBI 基础上对瘤床进行追加剂量照射，能提升局部控制效果，且副作用轻微、美容效果也能被接受。其中，同步加量（Simultaneously integrated boost，SIB）技术因能在不延长治疗时间的前提下，实现瘤床局部剂量提升，为患者带来了更大便利。

然而，精准的靶区勾画对于 SIB 技术至关重要，这是因为它能有效减少对周围危及器官（Organs at risks，OARs）如肺的辐射毒性。一直以来，瘤床（Tumor bed，TB）的定义依赖多种信息，包括肿瘤肿块、手术夹、血清肿、瘢痕、肿瘤腔等。按照国际辐射单位委员会（The International Commission on Radiation Units，ICRU）报告 83 的建议，术后 CT 影像中的手术夹、残留血清肿和肿瘤腔是 TB 勾画的重要依据。但实际操作中，TB 轮廓勾画存在较大的操作者间差异，且容易出现漏勾的情况。

由于术后 CT 影像中的解剖结构与术前相比变化较大，钛夹成为更精确勾勒保乳术腔区域的关键。不过，传统的基于阈值的手术夹分割方法存在明显缺陷。比如，该方法需要预先指定手术夹的搜索区域，而且由于骨结构和金属的 CT 值（Hounsfield Unit，HU）与手术夹接近，容易导致误分割。在过去十年间，卷积神经网络（Convolutional neural networks，CNN）被广泛应用于 3D 医学图像的语义分割，像 CT 和磁共振成像（Magnetic Resonance Imaging，MRI）。与此同时，基于 Transformer 的网络也在自然语言处理（Natural language processing，NLP）领域取得显著成果，并逐渐被引入图像处理领域。但针对体积较小的钛夹，现有的分割网络仍需改进。

为了解决这些问题，福建医科大学临床肿瘤学院福建省肿瘤医院和中国医学科学院北京协和医学院国家癌症中心的研究人员开展了一项研究，旨在开发一种用于乳腺癌保乳术后放疗靶区勾画中手术夹的自动分割模型。相关研究成果发表在《BMC Medical Imaging》杂志上。

在本次研究中，研究人员采用了以下关键技术方法：首先，收集了福建肿瘤医院和中国医学科学院北京协和医学院国家癌症医院的 101 例符合条件的乳腺癌患者数据，这些患者均接受了保乳手术且适合全乳放疗加瘤床追加剂量照射。其次，构建了一个二阶段深度学习模型，包括定位网络（Location Net）和分割网络（Segmentation Net），两个网络均采用改进的 U - Net（Res - SE - U - Net）架构。此外，对模型进行消融研究，并与 3D U - Net、V - Net 和 UNETR 等现有深度学习模型进行比较，通过 Dice 相似系数（Dice Similarity Coefficient，DSC）、95% Hausdorff 距离（95% Hausdorff Distance，HD95）和平均表面距离（Average Surface Distance，ASD）三个指标评估模型的分割精度。

研究结果如下：

1. 消融研究：通过对比不同输入组合的模型，发现特征图输入对分割精度的影响大于二值图像。当同时输入二值图像和特征图时，模型的 DSC 达到 0.844，HD95 为 2.008mm，ASD 为 0.333mm，分割精度显著提升。若缺少这两种特征输入，模型的分割精度会明显下降。
2. 模型比较：将该二阶段模型与其他模型对比，3D U - Net 的 DSC 为 0.681，HD95 为 2.494mm，ASD 为 0.785mm；V - Net 的 DSC 为 0.767，HD95 为 2.331mm，ASD 为 0.497mm；UNETR 的 DSC 为 0.714，HD95 为 2.660mm，ASD 为 0.772mm；而该研究提出的模型 DSC 最高，HD95 和 ASD 最低。在实际病例的分割结果中，该二阶段模型能清晰准确地分割出手术夹，表现明显优于其他模型。

研究结论与讨论部分指出，该二阶段模型为乳腺癌保乳术后放疗中手术夹的分割提供了有效方法，显著提高了分割精度，优于现有的深度学习模型。这一模型有助于放疗中瘤床及后续靶区的精准勾画，在乳腺癌放疗领域具有重要的应用前景。不过，该研究也存在一些有待改进之处。例如，病例数量较少，未来需从多个机构收集更多具有代表性的病例，以提高模型的泛化能力；模型采用的两个通用网络架构可进一步优化，引入注意力机制和对抗网络等有望提升模型性能。总体而言，这项研究为乳腺癌放疗靶区勾画技术的发展提供了新的方向和重要参考，对推动乳腺癌精准放疗具有积极意义。<