本文是一篇医学论文，笔者认为我们的方法可以提高放射治疗过程的效率和可靠性，简化放射治疗的工作流程。最终在深度学习的辅助下，临床工作将会更加规范化，效率更高。 患者会获得更好的治疗，并节省大量时间。
1 前言
1.1 直肠癌放射治疗的进展
目前直肠癌是最致命最常见的恶性肿瘤之一，每年全世界有超过30万的人因此死亡，发病率在恶性肿瘤中排名第八[1]。放射治疗是直肠癌的一种有效治疗方法，它通过不同剂量的放射来杀死肿瘤细胞。放射治疗需要针对患者的精确治疗计划，以确保辐射剂量精确投射到靶肿瘤细胞。采用二维放疗技术治疗，其中束数和形状有限，三维放疗具有更高的精确度和更少的副作用[2-4]。近几十年来，随着成像方式和加速器的进步，三维放射治疗技术，如适形放射治疗（Conformal Radiation Therapy， CRT）、调强放射治疗（Intensity Modulated Radiation Therapy，IMRT）和容积调强放射治疗（Volumetric Modulated Arc Therapy，VMAT）正在成为主流[4-8]。
在标准的三维放射治疗工作流程中，首先是对患者进行成像扫描，通常为计算机断层扫描（Computed Tomography，CT）或核磁共振（Magnetic Resonance，MR），放射治疗师根据获得的图像创建治疗计划。调强放射治疗是目前临床上典型的放射治疗技术[9,10]。其显著特点包括均匀、全剂量覆盖靶区，靶区周围有明显的剂量衰减，它可以将处方剂量精确传递到临床目标体积（Clinical Target Volumes， CTV），并将剂量最小化到危及器官（Organs At Risks，OARs）[11,12]。因此，它需要CTV和OARs的精确轮廓，这项工作通常有肿瘤医生依据临床指南[13,14]完成。多项研究表明，不同肿瘤医生之间的一致性较差。不同医院，不同工作经验的肿瘤医生间的差异尤其明显[15,16]，此外在CT图像上手动逐层绘制CTV非常耗时。
1.2 CTV自动描绘研究进展
CTV的自动计算机辅助描绘有助于使肿瘤医生从大量的标记工作中解脱出来，并使描绘更加可靠和高效。CTV的精确描绘提高了放射治疗的有效性，并降低了正常组织受照射的风险。相反，不正确的描绘可能会导致不满意的疗效，并对正常组织造成损害，降低患者的存活率。
为了解决这个放射治疗问题，CTV自动描绘系统已经被提出，越来越多的软件程序[17–20]可以执行传统的图像配准，以实现基于预定义模板的自动描绘。然而，CTV自动描绘系统在临床应用中后期需要大量手动调整，甚至使描绘更加复杂[21-24]。因为传统的分割方法不适用于直肠癌CTV轮廓，因为这些病例中的CTV包含边界不明确的肿瘤和亚临床恶性区域[25]，因此严重依赖于肿瘤学家的临床经验。
最近，深度学习被引入到医学影像分析中，并在许多领域取得了优异的成绩[26-28]。卷积神经网络已广泛应用于目标检测、分割和分类[29-32]。在放射治疗中，深度学习算法已被应用于OARs和肿瘤总体积（Gross Tumor Volume，GTV）的描绘。Ibragimov等人[33]使用滑动卷积神经网络分割头颈部CT图像中的OARs和GTV。Dijk等人[34]和Guo等人[35]提出了DLC模型和多模态密集网络，用于自动描绘头颈OARs。另一方面，一些研究侧重于CTV描绘。Xue等人[36]提出了一种顺序迭代U-Net（SI-Net）的深度学习方法，用于自动分割鼻咽癌放射治疗计划中的高危原发肿瘤临床靶体积，DSC为0.89。Shi等人[37]使用RA-CTVNet描绘了宫颈癌CTV，并采用了区域感知的再加权策略。Qi等人[38]提出了一种基于深度学习的自动分割模型，用于描绘CT图像中的乳腺癌CTV，右侧和左侧乳腺癌CTV的DSC分别为0.802和0.801。
2 数据和方法
2.1 本研究CTV描绘框架
我们提出了一个三阶段自动直肠癌CTV描绘框架，以提高自动CTV描绘的准确性，如图2.1所示。第一级是切片检测器，由ResNet网络[46]组成，自动检测包含CTV的连续切片。第二阶段是OARs分割网络，它可以对输入的切片自动分割出膀胱，股骨头与小肠。第三阶段是CTV描绘器，它可以提取语义信息和细节信息来描绘CTV。
2.2 数据
本研究收集了锦州医科大学附属第一医院2017年6月至2019年5月期间接受放疗的163例直肠癌患者（男113例，女50例）。对腹股沟淋巴结转移的病例进行手动去除，以减少对结果的影响。患者中包括T1、T2、T3和T4a期患者。所有患者均用放疗专用热塑性塑料模具固定在仰卧位，在治疗位置进行计划CT（SIEMENS, 德国, SOMATOM Definition AS）扫描并重建CT图像。根据指南[6-7]，由一组具有5-10年工作经验的放射肿瘤学家，使用Eclipse系统（10.0）在每个CT切片上描绘每位患者的OAR、GTV和CTV。为了确保描绘质量，所有描绘的轮廓都由具有20多年经验的专业放射肿瘤学家审查。
129名患者分为训练组，以训练网络并调整超参数，34名患者被留作测试，分组结果如表1所示。通过统计学分析在训练组和测试组之间没有发现性别、年龄的显著差异。
3 实验结果 .............................. 15
3.1 评价指标 ............................. 15
3.2 结果 .............................. 15
4 讨论 ............................. 20
5 结论 ......................... 23
4 讨论
CTV的描绘作为直肠癌放射治疗中的重要步骤之一，对直肠癌的CTV自动描绘可以提高肿瘤医生工作效率，减轻临床工作负担，缩小描绘者间的主观差距。深度学习在CTV描绘中的应用是放射学领域的新兴技术。在这项研究中，我们设计了一种新的深度学习框架来描绘直肠癌CTV。我们在163例病例的数据集上对我们的方法进行了训练和评估。我们的方法的性能是DSC为0.930，TPVF为0.925，PPV为0.936，在整体直肠癌CTV描绘中DSC值优于DDCNN框架5.2%[39]，和Deeplab v3+框架2.8%[41]。特别是，与上述两种方法相比，CTV切片与普通切片交界处切片的结果DSC分别提高了11.3%和7.6%。
以往的研究表明，CTV在交界处切片上的描绘性能较差，因为这些方法往往忽略了部分特征不明显的CTV切片，这在临床应用中造成了限制。在这项研究中，我们提出了一个CTV描绘的三阶段框架。第一阶段使用分类模块和错误分类纠正模块检测包含CTV的切片。分类模块基于ResNet[43]实现身份映射和残差映射，不增加参数大小和计算复杂度。上述模块能够更好地拟合分类函数，获得更高的分类精度。错误分类纠正模块可以避免CTV切片检测的遗漏。使得第三阶段只需要关注CTV的勾画，而不需要判断切片是否需要勾画，降低了训练的难度，并且避免了不同病例交界处切片标签不一致的问题。使得交界处切片的描绘精度大大提高，模型性能在不同切片间相对平稳。
5 结论
在本文中，我们提出了一个用于直肠癌CTV描绘的自动描绘框架，用于直肠癌CT图像上CTV和OARs的全自动分割。我们的CTV描绘网络可以模拟临床操作流程使用周围危机器官作为辅助信息描绘CTV。我们评估了我们的算法，并与其他自动CTV描绘方法进行了比较，我们的方法可以提供自动直肠癌CTV描绘的最佳性能。我们的方法可以提高放射治疗过程的效率和可靠性，简化放射治疗的工作流程。最终在深度学习的辅助下，临床工作将会更加规范化，效率更高。 患者会获得更好的治疗，并节省大量时间。
参考文献（略）