Nature Machine Intelligence：人工智能在肿瘤放疗领域应用新进展
2019-10-13 佚名 BioArt
放射治疗是肿瘤治疗的重要手段之一，约70%左右的肿瘤患者需接受放射治疗。然而射线在杀死肿瘤细胞的同时，也会对肿瘤周边乃至射线路径上的正常组织器官造成损伤，从而引发各类并发症，影响患者的治疗疗效及生存质量。因此，在进行放疗计划设计之前，必须在患者定位CT图像上精确勾画相关正常组织危及器官（organs at risk，简称OAR），并在设计放疗计划时对其进行保护，降低其受照射的剂量与体积。但是，传统
放射治疗是肿瘤治疗的重要手段之一，约70%左右的肿瘤患者需接受放射治疗。然而射线在杀死肿瘤细胞的同时，也会对肿瘤周边乃至射线路径上的正常组织器官造成损伤，从而引发各类并发症，影响患者的治疗疗效及生存质量。因此，在进行放疗计划设计之前，必须在患者定位CT图像上精确勾画相关正常组织危及器官（organs at risk，简称OAR），并在设计放疗计划时对其进行保护，降低其受照射的剂量与体积。但是，传统人工勾画正常组织器官耗时费力，且在不同水平的医师之间存在明显的勾画差异。因此临床放疗需要一种标准统一且精准快速的勾画工具帮助放疗医师及物理师完成正常组织危及器官的勾画工作。目前虽然存在一些可供商用的自动勾画系统，但仍存在可供勾画器官数量少、勾画精度偏差较大等问题。
上海交通大学附属第一人民医院肿瘤放疗科刘勇教授团队、加州大学尔湾分校谢晓晖教授团队、上海邃蓝智能科技公司三方合作在Nature Machine Intelligence杂志上发表了的长文Clinically applicable deep learning framework for organs at risk delineation in CT images。该研究采用了一种被称为Ua-Net的深度学习模型，能够准确快速地在CT上勾画28个头颈部正常组织危及器官。
本研究以开源CT图像为基础，由专业的放疗科医师勾画了315例头颈部肿瘤患者的28个危及器官，并以此作为建模数据。建模采用一种称为Ua-Net的算法模型，该模型与常规的U-Net主要区别在于，Ua-Net利用OAR检测模块首先识别包含OAR的区域，然后仅对检测到的OAR区域内的图像特征进行上采样，而不是像U-Net中对整个输入图像进行上采样。这样两阶段设计模式使模型可以将注意力集中在提取OAR周围的高分辨率图像特征上，促进了模型的训练。这样的作法不仅减少了OAR正常范围之外的假阳性预测，还大大减少了上采样步骤所需的GPU内存消耗。结果显示该模型在28个OAR中获得的平均Dice-S？rensen系数（DSC）为78.34％，比已报道的最新方法高5.18％。就DSC而言，深度学习模型的性能比高年资放疗医师高10.05％（即使放疗医师除了CT以外还参考MRI图像，模型的性能亦高出8.26％），而且勾画时间大幅缩短只需几秒钟即可完成，勾画精度也明显高于目前其它同类算法。研究进一步检查了其鲁棒性和临床实用性，发现尽管勾画完成后虽然仍需一定修改，但仍可将勾画每位患者OAR的平均时间从34分钟缩短到13分钟。这些结果表明，深度学习为费时费力的OAR勾画任务提供了一种有力的潜在解决方案，期待其未来对临床放疗提供有效帮助。
该研究的第一作者为汤豪及陈旭明。本研究得到了上海交通大学附属第一人民医院肿瘤中心团队（黄倩主任），加州大学尔湾分校人工智能科研团队的大力支持。研究的合作者之一上海邃蓝智能科技公司，是一家专注医疗人工智能领域研发的领先公司，在上海张江、美国加州尔湾拥有双研发中心，拥有独有的人工智能核心算法及高端的硬件平台，为相关技术的开展提供了有力的技术保障。本项目得到了国家自然科学基金、上海交大医工交叉项目及上海交大医学院“双百人”计划等课题的资助。
原始出处：
Hao Tang, Xuming Chen, Yang Liu, et al.Clinically applicable deep learning framework for organs at risk delineation in CT images.Nature Machine Intelligence ,Published: 30 September 2019
作者：佚名
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
小提示：本篇资讯需要登录阅读，点击跳转登录
#Nat#
42
#MAC#
45
#IgE#
41