张军，黄勇，黄晓雨，汪琦，吴齐兵，徐凯，梁栋

    230039 合肥，安徽大学 互联网学院(张军、徐凯、梁栋)；230012 合肥，合肥市第二人民医院 肿瘤内科(黄勇); 230032 合肥，安徽医科大学 第一临床医学院(黄晓雨、汪琦、吴齐兵)

    食管癌是世界范围内常见肿瘤之一，发病率占恶性肿瘤排行第9位，死亡率占第6位[1]。手术治疗是食管癌首选的治疗方式，但食管癌侵袭性很强，病程前期即可发生淋巴及血行转移等并发症，且疾病早期症状不明显，多数人因进食哽咽、声音嘶哑等症状就诊时肿瘤已处于进展期，往往已失去手术切除机会[2]。对于不可手术治疗的食管癌患者，单独使用化疗、靶向等治疗手段疗效不佳，5年生存率不高[3-4]。相对而言，放射治疗能够使一部分进展期食管癌患者获得长期生存机会，在不可手术切除的食管癌综合治疗中占据主要地位[5]。放疗的过程包括定位、扫描、靶区勾画、物理医师制定放疗计划、复位、放疗。而肿瘤局部复发和远处转移是食管癌放疗失败的主要原因，且由于人体正常组织可耐受的放射剂量有限，食管癌患者放疗失败后接受二程放疗的风险极大，容易造成食管气管瘘、食管纵膈瘘等严重并发症。因此，在食管癌放疗开始前，食管癌肿瘤靶区的精确勾画是十分重要的环节[6]，该任务通常是由放疗科专科医生通过治疗计划系统人工手动进行，过程耗时且靶区的准确性高度依赖于医生的知识、经验和偏好[7]。

    近年来，多位研究者尝试将深度学习自动勾画方法应用于临床靶区勾画[8-9]，马辰莺等[10]采用改进的VB-Net深度学习网络应用于宫颈癌术前临床盆腔淋巴引流区和宫旁区域以及术后盆腔淋巴引流区的分割，在测试数据集上平均自动勾画与参考勾画的吻合度分别达80.0%、70.0%及86.0%。王学涛等[11]在经典U-Net网络中引入残差单元和注意力机制单元对乳腺癌临床靶区及危及器官进行勾画，在测试数据集上平均自动勾画与手动勾画结果的吻合度分别达到80.5%及92.0%。以上研究初步证明了基于深度学习自动勾画肿瘤靶区的可行性，但有关食管癌靶区勾画的研究较少，目前仅Cao等[12]在U-Net基础上提出一种DDUnet深度学习网络，应用于食管癌术后临床靶区勾画，在测试集中验证精度达86.7%。考虑到食管癌CT影像中病灶区与背景区的面积差异较大，常规U-Net等网络模型未能较好学习到靶区目标特征。基于此，本研究提出一种嵌入空间金字塔池化层的U型对称自动勾画网络,并探究其用于食管癌肿瘤靶区自动勾画的几何精度，探讨其临床应用的可能性。

    1 材料与方法

    1.1 数据来源 ......