頭頸部癌癥是一個冷酷的殺手，以其極高的發病率和致死率令人聞之色變。所幸人類有精準放療這個法寶，使它不能恣意妄為。
然而，“道高一尺，魔高一丈”。頭頸癌藏身之處是人體極為關鍵的部位，如腮腺、腦干等重要組織器官，而目前放療的精度并不能完全保證射線不傷及“無辜”。因此精準放療雖然武藝高強，但在實際操作中依然投鼠忌器、束手束腳。
究竟如何才能對頭頸癌實施精準打擊呢？近日，電子科技大學自動化工程學院成像科學與圖像處理研究中心王振松博士在國際圖像處理領域著名期刊IEEE Transactions on Image Processing發表封面文章，提出了一種智能化、精準化的圖像分割新方法，以輔助醫生精確勾畫頭頸部組織器官的解剖位置，從而為打靶頭頸部腫瘤“精確制導”。
火眼“精”睛
放療是當前臨床治療頭頸癌的主要方法之一。隨著技術的進步，人類已經能夠對放療的輻射劑量進行精確控制和精準投送，但對靶區的勾畫技術卻還不能滿足日益增長的臨床需求。這就導致了即便放療的“槍法”很準，但如果“敵我難分”，也有可能對病人的正常器官造成“誤傷”。
即便找到了靶區，要做到十分精準的打擊，依然任重道遠。如果靶區小于腫瘤的實際體積，則無法徹底清除癌細胞，可能導致癌細胞殘留或癌癥復發；如果靶區大于腫瘤的實際體積，則會造成殺傷范圍過大，傷及無辜的正常組織或器官。因此，醫生在三維CT圖像上勾畫腫瘤靶區時必須十分小心。
目前常用的CT影像是斷層切片掃描的黑白影像，醫生需要在每一個切片影像上手動勾畫靶區，然后再疊加起來確定三維靶區的位置。切片越多越密，三維靶區的精度就越高。然而，如果切片過多，醫生手動勾畫靶區的工作量就會非常大，而且工作十分枯燥、效率低下；如果減少切片，又會降低靶區勾畫的精度。
“在技術層面，我們可以把影像切片的間距控制在1毫米以內，但要人工勾畫這么多片子，醫生會很累而且會耗費許多時間。”王振松介紹，頭頸部的器官非常小而且非常多，據文獻記載，有經驗的醫師手動完成一例頭頸部放療計劃的勾畫平均要耗費2.7個小時。
于是，如何進一步提升靶區和重要器官勾畫的精度，同時把醫生從繁重的手動勾畫工作中解放出來，就成為了治療頭頸癌的重要臨床需求。與之相對應，如何將先進的醫學影像技術與百年來臨床放射治療癌癥的知識和經驗進行整合優化，實現半自動或全自動的癌癥（或腫瘤）靶區精準勾畫，也成為了當前醫學圖像處理領域的研究熱點。
創新算法
在王振松之前，學界已經探索出了“基于圖像灰度表觀特征的多圖譜分割方法”“基于形狀模型的分割方法”等勾畫頭頸癌靶區的方法。這些方法在勾畫靶區時均有所側重，有的基于灰度，有的基于形狀模型，有的基于圖譜，每種方法各有所長但也各有所短。
以基于灰度的方法為例。“計算機可以幫助醫生區分CT影像中人眼無法識別的細微灰度變化，但頭頸部的軟組織在CT圖像上的灰度分辨率很低，即便是計算機也很難精準區分，誤差較大。而且，如果遇到金屬植入物干擾，比如金屬假牙在CT成像中會產生一塊偽影，就導致靶區勾畫更加困難。”王振松告訴《科學新聞》。
那么，魚與熊掌真的不能兼得嗎？能否把這些方法綜合起來，各取所長、相互印證，進一步提升勾畫的準確度呢？王振松的思路是，把圖譜和形狀綜合起來，提出一種“多級學習模型”，先讓計算機“學習”大量的圖譜——這些圖譜都是由醫生手工勾畫并經過臨床檢驗的，“先驗”地掌握頭頸部器官或組織的分布規律。
然后，計算機再結合基于解剖學的“組織器官”的形狀等先驗知識，按照知識關鍵性進行同步逐級學習。在此過程中，該方法建立了“形狀頂點關鍵度評判”新機制，提出了“多級形狀頂點回歸”新策略，構建了“形狀和圖像表觀聯合學習”新框架。“這個方法可以很好地解決金屬假牙造成的干擾，這是單純地基于灰度的方法難以解決的問題。”王振松表示。
通過比較，王振松提出的“多級頂點回歸方法”的分割結果最接近目標器官的真實輪廓。實驗數據顯示：在勾畫腦干時，其他5種方法的DSC值（一種相似性測度，數值越高意味著越相似、越準確）分別為88±3%、86±5%、85±5%、80±7%、86±（-）%，而王振松的結果是90±4%；在勾畫下頜骨時，其他5種方法的DSC值分別為91±2%、93±2%、88±6%、92±2%、79±5%，而王振松的結果是94±1%；在勾畫腮腺時，其他5種方法的DSC值分別為82±1%、76±8%、82±5%、81±5%、82±（-）%，而王振松的結果是83±6%。也就是說，王振松的方法在靶區勾畫的精確度上有了大幅提升。
讓醫療更智能
2015年底至2016年底，王振松在美國北卡羅萊納大學教堂山分校訪學時，在沈定剛教授的指導下開始研究頭頸部CT圖像的處理問題。從接觸這個研究方向到最終做出這項成果，他只用了一年時間。
“我剛開始做的是圖像配準研究，就是把不同時間、不同傳感器或不同條件下獲取的圖像進行匹配、疊加，這和我現在所做的CT圖像分割研究有很大區別。”王振松說，“沈定剛教授團隊有很好的研究基礎，因此我有幸能夠站在前人的基礎上，取得這項研究進展。”
與最終發表的論文相比，編算法、寫代碼是更加艱辛的工作。為了讓計算機“學會”如何分割或識別圖像，王振松編寫了大量代碼，而且還要在測試的過程中不斷修正，甚至按照新的思路推倒重寫。慶幸的是，他曾經從事的軟件開發工作為研究的順利進行奠定了堅實基礎。
現在，王振松正在進一步優化算法。他表示這種方法是一種很有潛力的方法，在較好的硬件條件下，該算法采用的并行加速技術可以成百倍、上千倍甚至更多倍地縮短靶區勾畫的時間。據統計，該方法在64位系統、一個Intel i7-4570 CPU、3.2GHz主頻、16G內存的硬件平臺上完成一例腦干圖像的分割，耗時僅為36分鐘。
然而，這一方法距離滿足臨床應用的要求可能還有很長的一段路要走。王振松介紹，目前，他正努力讓算法更精確、更高效，并與華西醫院、成都市第六人民醫院等進行合作。精益求精并不容易，因為當分割精確度越來越趨近于100%的時候，每提高1個百分點甚至0.1個百分點，都需要付出極大的努力。
“我有一個心愿，就是讓頭頸癌靶區勾畫越來越精準、越來越智能。既能減輕醫生的工作壓力，也能為病人帶來福祉，從而為我國的健康事業作出更多貢獻。”王振松最后表示。■
（作者單位為電子科技大學）