HAR-Net：基于分层解剖精细化指导的宫颈癌临床靶区自动勾画（英文）

摘要

目的：在宫颈癌的放射治疗中，临床靶区(clinical target volume,CTV)的准确勾画是保证处方剂量覆盖与降低危及器官(organs at risk,OARs)受照剂量的关键。然而在实际临床工作中，CTV边界往往在标准医学影像上呈现不清晰、形态差异大等特点，导致基于外观或单一分割框架的自动方法难以稳定捕捉CTV的解剖学细粒度结构与空间一致性。现有方法因此容易出现分割边界偏移、形态不连续及不同病例间泛化不足等问题，进而影响放疗计划的可重复性与临床可用性。为此，本研究旨在提出一种面向宫颈癌CTV自动勾画的分层解剖精细化网络(hierarchical anatomical refinement network,HAR-Net)，可以在影像外观信息之外，显式融合解剖学先验与空间关联，从而提升分割精度与一致性。方法：回顾性收集2022年5月至2025年5月于中南大学湘雅医院接受放疗的132例宫颈癌患者[国际妇产科联盟(International Federation of Gynecology and Obstetrics,FIGO)2018版分期IB2～IVA期]的CT影像，以及由资深放射肿瘤科医师完成的CTV和5个OARs(膀胱、直肠、双侧股骨头、小肠)的手工勾画数据，并将其随机分为训练集(92例)、验证集(15例)和测试集(25例)。HAR-Net以nnU-Net为骨干，引入2个协同模块：1)多尺度OAR-CTV交叉注意力(multi-scale OAR-CTV cross attention,MOCCA)，通过窗口式三维交叉注意力将OARs解剖上下文动态融合至CTV分割路径；2)三轴坐标注意力(tri-axial coordinate attention,TCA)，沿深度、高度、宽度三轴编码全局位置信息，对特征进行空间精细化重加权。采用Dice相似系数(Dice similarity coefficient,DSC)、95%豪斯多夫距离(95th percentile Hausdorff distance,HD95)和平均对称表面距离(average symmetric surface distance,ASSD)评估分割性能，并与MultiResUNet、AMTA-Net、Swin UNETR、ResUNet-a及nnU-Net等主流方法对比。结果：HAR-Net较多种当前先进分割方法表现更优。其平均DSC为82.420%,HD95为8.390 mm,ASSD为1.920 mm。与nnU-Net基线模型相比，HAR-Net的DSC提高3.260个百分点，HD95减少4.080 mm。消融实验进一步证实，MOCCA和TCA模块对模型性能提升均具有显著贡献。结论：HAR-Net通过分层融合多尺度OAR解剖上下文与三轴空间先验，有效提升了宫颈癌CTV自动勾画的准确性和解剖一致性。该框架有望减少临床勾画中的重复修正工作，降低周围OARs受照风险，提高放疗计划的整体质量与安全性，为自动放疗计划提供了有前景的辅助工具。

关键词

宫颈癌 / 临床靶区 / 深度学习 / 解剖学先验 / 医学图像分割

基金资助

supported by the Natural Science Foundation of Hunan Province (2026JJ80019, 2026JJ60323); the Scientific Research Program of Furong Laboratory (the Program of the Department of Science and Technology of Hunan Province)(2024PT5110),China