放射治疗（RT）是肺癌的一种标准治疗方式。电离辐射虽能杀死癌细胞并缩小肿瘤，但它对邻近健康组织的影响取决于治疗计划的质量，因此需要对肿瘤周围的辐射剂量进行精确控制。在计算机断层扫描（CT）图像中准确分割靶病灶以及危及器官（OARs，即肿瘤周围的器官），会对治疗效果产生重大影响。这种由专业临床医生进行的手动描绘工作耗时费力、容易出错，并且易受观察者内部及观察者之间差异的影响。

近年来，传统计算机视觉技术，包括基于图谱的方法以及统计形状建模等，已被用于协助进行二维和三维医学图像分割，并实现放射治疗（RT）治疗计划的自动化。近年来，深度学习（DL）方法（其架构如 U - Net、3D - UNet、Attention U - Net 和 H - DenseUNet 等）在生物医学图像分割方面取得了卓越的性能表现。

尽管深度学习（DL）网络性能出色，但它容易受到对抗性攻击，即对图像添加微小扰动就可能导致错误分类或错误分割情况出现。为确保模型的稳健性，我们进一步在常见的程序性对抗噪声下对其进行评估，并探究对抗训练的潜力。最后，我们还探讨了放射科医生的修正对人工智能（AI）模型的影响。通常情况是由临床医生先确定真实情况（ground truth），再基于此对模型进行评估，但手动描绘器官需要耗费大量时间，而对人工智能（AI）分割结果进行修正则耗时较少。

最近，发表在European Radiology 上的一篇文章评估和比较了两种最先进的深度学习方法，用于在放射治疗计划背景下对计算机断层扫描（CT）图像中的四个胸部危及器官（食管、气管、心脏和主动脉）进行分割。

研究比较了一种多器官分割方法以及多个单器官模型融合的方法，每个单器官模型专门针对一个危及器官（OAR）。所有模型均使用 nnU - Net 并采用默认参数和全分辨率配置进行训练。同时，评估了它们在面对对抗性扰动时的稳健性、在外部数据集上的通用性，并探究与完全手动描绘相比，专家修正所引入的潜在偏差。

这两种方法都展现出了出色的性能，在多类别设置下平均骰子相似性系数（Dice score）为 0.928，在融合四个单器官模型时平均骰子相似性系数（Dice score）为 0.930。对外部数据集和常见程序性对抗噪声的评估表明这些模型具有良好的通用性。此外，对这两种模型进行的专家修正都显示出相较于原始自动分割存在显著偏差。两次修正之间的平均骰子相似性系数（Dice score）为 0.93，其范围从气管的 0.88 到心脏的 0.98 不等。

表 DSC在两个外部验证集上计算。结果表明，两种情况下的表现相似，除了心脏，在多器官入路中可以观察到更高的下降

本项研究表明，两种方法在分割四个胸部危及器官（OARs）方面都展现出了出色的性能和通用性，可提高放射治疗计划的效率。

原文出处：

Corentin Guérendel,Liliana Petrychenko,Kalina Chupetlovska,et al.Generalizability, robustness, and correction bias of segmentations of thoracic organs at risk in CT images.DOI:10.1007/s00330-024-11321-2