研究OAR分割的意义、应用及目前相关方法和评价指标

一、危及器官OAR
危及器官(organ at risk，OAR)指在放射治疗(radiation therapy,RT)中可能卷入射野内的健康组织或器官。它们的放射敏感性（耐受剂量）将显著著地影响治疗方案的设计或靶区处方剂量的大小，在确定计划靶区时要考虑这些器官的存在。

在放射治疗中，不同肿瘤涉及的危及器官也不尽相同，常见的危及器官如下：
1)、头颈部肿瘤OARs：颞叶 temporal lobe、视神经 optical nerve、晶体 len、脑干 brain stem、垂体 pituitary gland、脊髓 cord、颞下颌关节temporomandibular joint、腮腺 parotid gland、下颌骨 mandible

2)、胸部肿瘤OARs：肺 lung、食管 esophagus、心脏 heart、肝脏liver、脊髓 cord

3)、腹部盆腔肿瘤OARs：肝脏liver、脾脏 spleen、肾脏 kidney、胰腺 pancreas、小肠 intestine、结直肠 colon 膀胱bladder、阴茎penis、睾丸testiculus、子宫uterus、髋关节hip joint、股骨头femral head、脊髓 cord

二、研究OAR分割的意义及应用
癌症是导致人类死亡的主要疾病之一，每年国内因癌症而死的病例以百万计。

2018年全球新增癌症病例高达1810万，死亡人数高达960万例。研究癌症治疗相关的方法对人类的健康有着重要的意义。

在针对癌症的治疗中，现代癌症患者将近2/3会用到放射治疗(Radiation Therapy， RT)技术。为了能够对肿瘤靶区实施高度适形的剂量分布，降低OAR的辐射剂量以减少辐射诱导的毒性，必须制定精准的放射治疗计划，这需要在计划CT图像上准确分割OAR。

也就是说，在肿瘤放射治疗计划中精确的分割危及器官，可以减少治疗后的并发症, 降低辐射引起的继发性恶性肿瘤的风险。

OAR的分割工作在以往通常由专业医生手工完成，这往往需要花费大量的时间，而且其结果严重依赖于医生的专业水平，缺乏准确性和一致性的保证。研究OAR的自动分割就是为了能够自动、高效、准确的完成这项任务。

医学图像分割是很多疾病临床诊断和治疗的基础，而图像分割算法在生活中交通控制、自动驾驶、卫星定位等等领域有着越来越广泛的应用。

OAR分割的研究不仅仅对放射治疗有重要意义，其方法同时对医学图像分割乃至更具普遍意义的图像分割算法也具有一定的启发和引申的作用。

三、OAR分割的相关方法
1)、基于图谱的方法（Atlas-Based methods）、多图谱（Multi-Atlas）
这是一种以临床医生的先验知识指导分割的医学图像分割方法，其核心思想是将图像分割问题转化为图像配准(Image Registration)问题，利用图谱图像中的先验信息获得待分割图像的分割结果。多图谱方法可以被用于解决医学图像中的多目标分割问题。该算法由于需求的训练集数量较小以及相对的健壮性，在RT领域较流行。

基于图谱的方法在形态变化不大的 OAR分割中比较有效，但患者存在严重疾病和肿瘤时，OAR 形态可能会发生严重变化，使图谱与待分割图像之间相似性不足，从而影响分割的准确性。

相关论文：Chen, A., Dawant, B., 2015. A multi-atlas approach for the automatic segmentation of multiple structures in head and neck CT images. Presented in Head and Neck Auto-Segmentation Challenge 2015 (MICCAI). Munich.

Albrecht, T., Gass, T., Langguth, C., Lüthi, M., 2015. Multi atlas segmentation with active shape model refifinement for multi-organ segmentation in head and neck cancer radiotherapy planning. In: Presented in head and neck autosegmentation challenge 2015. MICCAI, Munich

2)、基于特征点(Landmarks)解决局部变化问题的方法
这类方法都是从原始图像直接开始处理，而不是从寻找感兴趣区域(ROI)开始，所以需要使用图像配准。这就带来了一些问题，比如当OAR的区域发生变化、脊椎曲率发生变化就可能给配准带来困难。而这些困难就是通过对特征点的使用解决的。

相关论文：Ghesu, F.C., Georgescu, B., Zheng, Y., Grbic, S., Maier, A., Hornegger, J., Comaniciu, D., 2017. Multi-scale deep reinforcement learning for real-time 3D-landmark detection in CT scans. IEEE Trans. Pattern Anal and Mech Intel. 41, 176–189.

Daisne, J.-F., Blumhofer, A., 2013. Atlas-based automatic segmentation of head and neck organs at risk and nodal target volumes: a clinical validation. Radiat. Oncol. 8, 154.
…

使用Global-To-Local策略的方法
这类方法与上面不同，是针对局部ROI进行分割的方法。获得ROI的方法可以是手工标注，或者是通过应用于整张图像的算法(Global Methods)获取，比如Geodesic active contours、Graph-cut、Appearance models等算法。

此类算法的好处在于对图像配准精度要求低，并且对OAR图像的一些形态的改变有更好的健壮性。以下都是基于这种策略的方法:

3)、基于全卷积神经网络(Fully Convolutional Network, FCNs)的方法
这类基于FCNs 深度学习的方法对已经正确定位好的ROI分割效果非常好，但是如何精准定位OAR在整张图像中的位置(也即是定位ROI，Object Recognition )仍然是个难题。

相关论文：Çiçek, Ö., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O., 2016. 3D U-Net: learning dense volumetric segmentation from sparse annotation. In: Proceedings of the International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, pp. 424–432.

Dou, Q., Yu, L., Chen, H., Jin, Y., Yang, X., Qin, J., Heng, P.-A., 2017. 3D deeply supervised network for automated segmentation of volumetric medical images. Med. Image Anal. 41, 40–54.
…

4)、基于形状等先验信息做object recognition的方法
这类方法中的先验信息都是只针对每个单独种类的OAR。如何更好的利用全图信息，特别是利用OARs之间的位置关系做object recognition，仍然是个没有解决的问题。

相关论文：Oktay, O., Ferrante, E., Kamnitsas, K., Heinrich, M., Bai, W., Caballero, J., Cook, S.A., de Marvao, A., Dawes, T., O‘Regan, D.P., 2018. Anatomically constrained neural networks (ACNNs): application to cardiac image enhancement and segmentation. IEEE Trans. Med. Imaging 37, 384–395.

Mannion-Haworth, R., Bowes, M., Ashman, A., Guillard, G., Brett, A., Vincent, G., 2015. Fully automatic segmentation of head and neck organs using active appearance models. In: Presented in head and neck auto-segmentation challenge 2015. MICCAI, Munich.
…

四、分割精度度量
戴斯系数（Dice Coefficient, DC）和豪斯多夫距离（Hausdorff Distance, HD）是使用最多的两种分割精度度量。理想情况下DC = 1，HD = 0。

各类算法在各种OAR上的分割精度有好有坏。对那些体积比较大OAR分割效果普遍比较好，比如对于下颌骨(Mandible)，其DC普遍可以达到0.7~0.9。但对那些体积很小不容易分割的OAR分割精度就很差，比如对于胸部食管(Thoracic esophagus)，其DC最好的也仅达到0.6~0.7。