Page 13 - 《中国医疗器械杂志》2026年第1期
P. 13

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期

                                                     医  学  人   工  智  能



              在结构和典型特征来实现配准。这种方法在处理                             病灶及危及器官进行描绘，这一过程涉及大量的影
              未标注数据时具有优势，尤其是在标注数据有限                             像资料分析，且极易受到医生实践经验和操作水平
              的情况下。无监督学习配准方法主要结合评估指标                            等主观因素的制约。已有研究表明，在同一乳腺癌
              的最小化值来量化配准后的影像差异，进而优化配                            术后影像中对临床靶体积（clinical target volume,
              准结果，研究中可尝试用循环一致性损失函数来约                            CTV）进行勾画时，不同医生勾画结果间的DSC仅
                                                                           [27]
                                             [21]
              束配准的准确性。ANYFANTIS等 提出了一种新                         为0.67±0.12 ，证实了手动勾画方法存在较大的差
              的配准方法，利用循环一致生成对抗网络（cycle-                         异 性 。 AI技 术 的 快 速 兴 起 ， 尤 其 是 DL领 域 的
              consistent generative adversarial network, CycleGAN）  CNN和U形网络（U-shaped network, U-Net）架构，
              将乳房X光照片中的可疑区域从ACR-B、-C和-D级                        为解决这一问题提供了新思路。DL技术能够自动
              别转换为 ACR-A级别。该方法旨在减少厚组织                           从大量已标注的影像中学习肿瘤的多层级特征，从
              造成的掩蔽效应并解决传统配准方法在低对比度                             而有效提高乳腺癌肿瘤靶区自动化勾画的准确性和
              区域的配准误差问题，从而将癌变区域从周围组织                            一致性。
              中分离出来。该研究通过聚焦于乳腺感兴趣区域的                             1.2.2    基于DL的靶区勾画技术
              形变配准，显著提高了目前基于卷积神经网络                                  在基于DL的靶区勾画技术研究中，王沛沛
             （                                                  等  [28] 对U-Net与体积网络（volumetric network, V-
               convolutional neural network, CNN）算法的分类
                                                                Net）在乳腺癌靶区自动勾画的结果进行了对比，
              器的性能，减少感兴趣区因脂肪掩蔽而被错误识别
                                                                发现基于U-Net的DL方法得到的勾画结果和医师手
              的现象。他们通过在不同类型的乳腺图像上的实验
                                                                动勾画结果相当，或仅需稍作修改即可用于临床。
              验证，确认了该方法配准后的图像在正常、良性和
                                                                        [29]
                                                                BYUN等 开发了一种基于U-Net的自动勾画系统
              恶性区域识别方面的有效性。
                                                                 automatic contouring system, ACS），通过在111个
                                                               （
                  基于生成对抗网络（generative adversarial network,
                                                                病例上的应用证明了ACS在减少勾画时间和劳动
                                    [22]
              GAN）的影像配准方法 常用于数据不足和关键
                                                                强度上的优势，且ACS在危及器官（organ at risk,
              数据缺失的场景，主要包含两个核心组件：生成器
                                                                OAR）勾画上的表现与专家勾画结果很相似，但
              负责对输入影像进行配准和变换处理，输出配准后
                                                                由于专家勾画图像存在个人误差，该算法的评估结
              的影像结果；判别器则对生成影像的质量进行评
                                                                果值得深思。CHUNG等 采用基于3D U-Net结合
                                                                                       [30]
              估，判断其是否符合真实配准影像的特征分布 ，
                                                         [23]
                                                                EfficientNet-B0的两级卷积神经网络算法，勾画乳
              进而驱动生成器对不符合要求的影像进行优化。通
                                                                腺癌患者双侧乳房、区域淋巴结和OAR（包括心
              过这种重复的对抗训练过程，GAN能够有效地学
                                                                脏、肺、食管、脊髓和甲状腺）的临床靶区体积
              习乳腺癌影像中的复杂特征和空间形变规律，从而
                                                               （
                                                                 clinical  target  volume,  CTV） 。 在 OAR方 面 ， 自
              实现高精度的图像配准。
                                                                动分割轮廓与手动分割轮廓之间的相关性是可以接
                                             [24]
                  乳腺癌放疗的图像配准技术 对提高临床疗
                                                                受的，所有OAR的平均DSC均高于0.80，所有乳腺
              效具有重要作用。精确高效的配准方法能够优化
                                                                和区域淋巴结CTV的平均DSC均高于0.70。定性主
              放疗计划的设计，从而提升治疗效果。虽然DL技
                                                                观评分认为所有CTV和OAR的结果都是可以接受
              术的出现在配准精度和效率方面表现出了明显优
                                                                的，证明了基于DL的自动分割技术在乳腺放疗规
                [25]
              势 ，但由于算法本身的结构复杂性和对计算资
                                                                划中具有可行性。虽然基于DL的自动分割不能
              源的高需求，其在配准方面的表现仍然存在若干                             替代放射肿瘤专家，但它是一种有效的辅助工具，
              局限，需要通过持续性的算法轻量化和数据扩充
                                                                在辅助放射肿瘤专家工作方面具有巨大潜力。
              优化来解决，以更好地满足临床对放疗精准性和                                          [31]
                                                                NARIMANI等 比较了当前主流乳腺靶区分割算法
                           [26]
              安全性的要求 。
                                                                在乳腺动态对比增强磁共振成像（dynamic contrast-
               1.2    自动靶区勾画                                    enhanced magnetic resonance imaging, DCE-MRI）上
                  肿瘤靶区的精准勾画也是乳腺癌临床放疗成功                          的自动勾画效果，包括U-Net、U-Net++、DenseNet、
              的关键步骤，其精确程度对癌症的治疗效果和患者                            FCNResNet50、FCNResNet101、DeepLabv3ResNet50
              的长期预后有直接影响。                                       和DeepLabv3ResNet101算法。结果表明：U-Net++
               1.2.1    手工靶区勾画技术                                取得了最高的DSC得分，而U-Net在验证性和可推
                  传统的靶区勾画方式主要依赖医生手动逐层对                          广性方面表现出色；FCNResNet50则具有最低的计
                                                              9
   8   9   10   11   12   13   14   15   16   17   18