通过轻量级多阶段勾画框架确定子宫内膜癌的精准临床靶区体积

《Radiation Oncology》：Discerning clinical target volume of endometrial cancer via a lightweight multi-phase delineation framework

多相位CT辅助NCLNet实现子宫内膜癌术后CTV自动精确定界，较nnUNet参数量减少78%，平均修改时间仅2.9分钟且CDSC指标临床相关性更强。

　　

摘要

背景

准确划定子宫内膜癌（EC）的临床靶区体积（CTV）是精准放射治疗中的关键步骤。多相CT为CTV的划定提供了更多信息。本研究旨在利用多相CT建立一种创新的CTV划定方法。

方法

我们的多相CTV划定数据集包含175名接受术后盆腔放射治疗的患者。这些数据集包括增强型计算机断层扫描（CECT）和非增强型计算机断层扫描（NECT）的图像。此外，我们引入了一种利用深度学习模型自动分割CTV的新框架。该框架的核心组件是NCLNet，它在轻量级网络结构中融合了NECT和CECT的特征。该结构采用了我们提出的基于边界感知的多相学习策略进行优化。除了Dice相似性系数（DSC）和平均对称表面距离（ASSD）之外，我们还提出了一种新的轮廓Dice相似性系数（CDSC）指标，用于评估预测外轮廓的准确性。三位医生对预测的CTV进行了修改，以评估所提出方法的临床实用性。

结果

NCLNet的DSC值为0.871 ± 0.027，ASSD值为0.878 ± 0.265毫米，计算复杂度较低（参数量为570万，FLOPS为639.1G）。相比之下，广泛使用的nnUNet的DSC值为0.860 ± 0.027，ASSD值为0.920 ± 0.286毫米，但需要显著更多的参数（3100万）和相似的FLOPS（643.8G）。与复杂性更高的方法相比，NCLNet在多个基准测试中的表现更好或相当。自动划定CTV的平均修改时间和修改体积百分比分别为2.9分钟和3.61%。对于8毫米厚的组织，CDSC值为0.853 ± 0.030，其与专家临床修改时间的相关性高于DSC和ASSD。

结论

NCLNet为接受术后盆腔放射治疗的子宫内膜癌患者生成了高质量的CTV自动划定结果。