基于融合注意力机制的鼻咽癌分割模型在预测调强放射治疗（IMRT）后宫颈淋巴结残留的临床结果中的应用

《BMC Medical Imaging》：Fusion attention-based nasopharyngeal carcinoma segmentation model in predicting the clinical outcome of cervical lymph node residue after IMRT

　　

摘要

背景

深度学习方法在鼻咽癌的自动分割领域取得了显著进展，但仍存在一些挑战。

目的

计算机辅助的鼻咽癌原发灶自动分割对于自动勾勒鼻咽癌靶区以及准确预测放疗后颈部转移淋巴结的反应性和预后具有重要意义。在本文中，我们使用深度学习方法构建了一个鼻咽部大体靶区的自动分割网络，并结合临床因素和放射组学特征建立一个放射组学Nomogram模型，该模型能够预测那些在根治性放疗后未完全缓解的转移淋巴结的最终结局。

方法

回顾性收集了2014年7月至2016年12月期间接受调强放疗的69名患者的临床数据和IMRT放疗计划CT图像。这些患者在首次随访MRI检查中显示出转移淋巴结病灶，而原发灶未见残留，并且有连续的随访记录。中位随访时间为53个月（IQR 39.75–62.37个月），其中30名患者的病灶消退，39名患者的病灶持续存在或进展。69个放疗计划的CT图像按8:2的比例随机分为训练集和测试集，然后训练了一个基于融合注意力机制的模型用于鼻咽癌的自动分割。该模型基于UNET框架，采用2.5D卷积神经网络来处理各向异性问题。在编码器第4层融合了改进的通道和空间注意力模块，使网络能够专注于小目标。将2D交错稀疏自注意力模块扩展到3D空间，以更好地提取肿瘤靶区的特征信息，并解决靶区与周围软组织对比度低的问题，从而优化整体分割效果。分割模型的性能通过平均Dice系数、相对体积误差（RVE）、平均对称表面距离（ASSD）和Hausdorff距离（HD）进行评估，以由资深放疗专家手动勾画的鼻咽癌原发灶靶区作为金标准。放射组学特征使用pyradiomics包提取，放射组学模型的分类性能通过接收者操作特征曲线（ROC）下的面积来评估。

结果

我们模型的鼻咽癌平均Dice系数、RVE、ASSD和HD分别为75.05%、14.63%、2.224毫米和8.75毫米，这些指标比基线3DUNET模型分别提高了11.01%、26.34%、3.101%和52.58%。放射组学特征是预测鼻咽癌肿瘤结局的有效指标，其中放射组学Nomogram在训练集上的接收者操作特征曲线下面积（AUC）最高为0.892，放射组学模型在测试集上的AUC为0.825。

结论

基于融合注意力机制的鼻咽癌分割网络能够有效且可靠地分割鼻咽癌原发灶区域，而放射组学Nomogram能够有效预测治疗后的反应情况。