基于可变形点云配准的双向局部距离（DPCR-BLD）：一种用于系统评估和可视化临床自动轮廓绘制中局部差异的方法

《International Journal of Radiation Oncology*Biology*Physics》：Deformable Point Cloud Registration-Based Bidirectional Local Distance (DPCR-BLD): A Methodology for Systematic Evaluation and Visualization of Local Disagreements in Clinical Auto-Contouring

本研究提出结合变形点云配准和双向局部距离（DPCR-BLD）的方法，系统评估AI自动分割的局部差异。通过验证1785患者的两个独立数据集，发现前列腺、精囊和脑干为主要需编辑器官，并开发自动外点检测工具，为临床AI辅助放疗评估提供工具。

Jingwei Duan|Libing Zhu|Rex A. Cardan|Yi Rong|Richard A. Popple|Carlos E. Cardenas|Quan Chen

阿拉巴马大学伯明翰分校，伯明翰，AL

摘要

背景

自动分割的变异性可能源于训练数据，从而导致与临床实践的结果不一致。两个轮廓之间的差异具有各向异性和局部性，这使得使用常见的度量标准来评估这些差异变得具有挑战性，因为这些度量标准只能提供关于整体和全局相似性的信息。

目的

本研究旨在开发一种基于可变形点云配准的双向局部距离（DPCR-BLD）方法，以系统地评估自动分割中的局部差异。

方法和材料

给定一个参考（临床认可的）和一个测试（自动生成的）结构数据集，使用BLD来量化测试和参考结构点云之间的局部差异。以经过验证的参考轮廓作为模板轮廓，每个参考轮廓点云通过相干点漂移算法进行可变形配准，以在整个数据集中传播局部差异。该方法在两个独立的回顾性数据集上进行了验证，这些数据集包括四个常见治疗部位的73个结构，涉及1785名患者。还开发了一种自动异常值检测工具，用于确定超出定义阈值的点数。

结果

DPCR-BLD方法可以揭示不同区域的系统性局部差异，为临床医生在实践中编辑自动轮廓的方式和程度提供见解。例如，脑干自动分割倾向于将中央上部区域过度分割1毫米，而将周围上部区域分割不足1毫米。自动检测工具能够检测到统计异常值，其中排名前三的器官是前列腺（32.9%，n=51）、精囊（23.5%，n=36）和脑干（18.7%，n=72）。一旦模板轮廓能够充分代表器官形态，其对结果的影响就很小。

结论

DPCR-BLD提供了一种空间识别两个轮廓集之间局部差异的机制。此外，我们还展示了如何使用这种方法进行轮廓异常值检测。需要进一步的工作来证明该工具在前瞻性评估AI生成的轮廓编辑中的临床效用。

章节片段

引言

人工智能（AI）自动分割已成为放射治疗计划过程中的辅助工具，显示出在提高放射治疗一致性和有效性方面的巨大潜力[1, 2, 3, 4, 5]。AI自动分割的变异性需要评估和监控。手动轮廓绘制的变异性，包括观察者之间和观察者内部的差异，已被广泛报道[6, 7, 8, 9, 10]。由于AI自动分割工具通常是在手动

双向局部距离

在预处理过程中，处理每个轮廓的3D二值掩码以提取边界点。首先，将数字医学成像和通信（DICOM）结构集转换为二值体积掩码，同时保持原始图像坐标系统和尺寸。然后通过两步过程提取边界点：算法首先识别二值掩码中的不同连接结构，然后检测每个结构的表面轮廓点

配准精度

我们首先通过计算每个器官的均方根误差（RMSE）来评估基于CPD的DPCR的配准精度。均方根误差的范围从0.48毫米到7.16毫米，详见补充表1。该表还总结了三种常见的DPCR算法和一种刚性点云配准（CPCR）算法的比较。所有三种可变形方法都将RMSE降低了大约2-3倍。CPD和FilterReg的精度总体非常相似，平均绝对

讨论

本研究介绍了一种新的方法DPCR-BLD，它结合了可变形点云配准和双向局部距离，克服了常用重叠/距离度量标准在系统评估两个轮廓集之间的局部差异时的局限性。这种方法的主要优点之一是它能够在考虑单个器官的空间信息的同时，评估测试和参考分割之间的局部差异。

结论

我们提出了一种新的方法，通过结合BLD和可变形点云配准，系统地评估自动分割的局部、器官特异性差异。使用来自两个独立数据集的1700多个临床应用的自动分割结果，我们证明了该方法可以有效监控自动分割性能、可视化临床编辑内容，并检测异常值。

资金声明

Carlos E. Cardenas博士从阿拉巴马大学伯明翰分校、国立卫生研究院/国家癌症研究所（LRP0000018407）以及与本研究相关的工作的国家转化科学促进中心（5KL2TR003097-05）获得研究资金。

Quan Chen博士从国立卫生研究院（NIH 1R43EB027523和NIH 9R44CA254844）获得与本研究相关的工作研究资金。

利益冲突声明

Jingwei Duan和Libing Zhu没有报告利益冲突。Rex A. Cardan报告了来自Varian Medical Systems的机构特许权使用费，以及来自Varian Medical Systems和GammaTile的咨询费和酬金。Yi Rong报告了来自国家癌症研究所的研究资金，在华盛顿大学和宾夕法尼亚大学担任访问教授的酬金，参与了AstraZeneca的顾问委员会，并担任《医学物理》杂志的副主编。

致谢

在准备这项工作时，作者使用了ChatGPT来协助校对。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。