论文题目：Deep learning empowered volume delineation of whole-body organs-at-risk for accelerated radiotherapy
论文地址：https://www.nature.com/articles/s41467-022-34257-x
创新点
-
首次将级联式“粗到精”策略系统性地应用于全身体器官及肿瘤的自动勾画，兼顾精度与效率。
-
针对器官尺度差异极大（如眼球 vs 全身皮肤）的问题，设计动态调整输入分辨率的模块。
-
提出器官感知（OAR-aware）和边界感知（boundary-aware）双注意力机制，解决靶区（CTV/PTV）与邻近器官边界模糊的问题。
方法
本文提出了一种名为RTP-Net的轻量级深度学习框架，用于在放疗计划阶段实现全身体器官及肿瘤的快速、精准自动勾画。方法上，该框架采用级联式“粗到精”分割策略，首先通过低分辨率的粗模型快速定位包含目标器官或肿瘤的最小感兴趣区域（ROI），再利用高分辨率的精模型在裁剪后的ROI内进行细节边界细化，从而显著减少GPU内存消耗并提升效率；为适应不同大小的器官，引入了自适应输入模块，通过可学习的卷积下采样和上采样层动态调整输入分辨率；同时，设计了两类注意力机制——器官感知（OAR-aware）和边界感知（boundary-aware）注意力图，将已分割的器官掩膜和靶区边界信息融入精模型的输入，以提升靶区（CTV/PTV）与邻近器官边界的准确性；网络架构基于改进的VB-Net（一种轻量级V-Net变体），结合残差连接和瓶颈结构，并支持大体积器官的定制化扩展；训练过程中采用多维度自适应损失函数（融合3D Dice、2D Dice及边界损失）优化边界分割，并通过旋转、缩放、翻转等数据增强提升模型鲁棒性；
一站式放疗流程（All-in-One RT）
本图以流程图形式直观展示了传统放疗与AI加速的All-in-One放疗差异：左侧传统路径需医生手工逐层勾画OAR、CTV、PTV，耗时数小时到一天；右侧AI路径由RTP-Net在数秒内完成初步勾画，医生仅需快速审核并做最小修改，随后即可进入剂量计划与照射，整体流程由数天缩短至数分钟，实现患者一次就诊即可完成全部步骤。
RTP-Net整体框架示意
本图给出RTP-Net的三级架构：图中a展示“粗到精”策略，先用低分辨率模型锁定ROI红框，再用高分辨率模型细化边界；图中b在VB-Net前后插入可学习的卷积下采样/上采样层，使网络动态适应小器官或大器官输入；图中c引入OAR-aware与Boundary-aware两种注意力图，前者把已分割的OAR掩膜作为额外通道输入精模型，后者把靶区边界框生成边界注意力图，两者共同约束靶区勾画，避免侵入邻近器官。
RTP-Net与U-Net/ nnU-Net/ Swin UNETR在八个关键器官上的视觉对比
本图每行展示同一器官的CT切片，依次列出四种方法结果与金标准：RTP-Net均与金标准贴合良好；U-Net与nnU-Net在脑干、肋骨、心脏、骨盆出现明显欠分割（蓝圈），在肝脏、膀胱出现过分割（黄圈）；Swin UNETR在膀胱、大脑尚可，其余六器官欠分割。整体凸显RTP-Net边界的准确性与结构完整性。
RTP-Net对直肠癌CTV与PTV的勾画性能
本图a示RTP-Net生成的CTV与PTV与金标准几乎重合；图b显示四种方法Dice无显著差异；图c箱线图表明RTP-Net完成CTV与PTV勾画仅需约0.4-0.5秒，而U-Net、nnU-Net、Swin UNETR分别需数十到数百秒；图d三维视图展示PTV与邻近直肠、袋状小肠、骨盆、椎体的空间关系，体现边界感知注意力对保护正常组织的价值。
-- END --
文章转自“人工智能学起来”，如有侵权请联系删除。