基于不同感受野的鼻咽癌靶区和危及器官自动分割网络研究

目的 研究基于不同感受野的鼻咽癌靶区和危及器官自动分割网络。方法 收集 100例鼻咽癌患者放疗数据,包含患者CT图像和医生勾画的靶区(GTV)和危及器官。随机选取 90例数据作为训练集,另 10例作为验证集。首先对图像进行中心裁剪、随机垂直翻转和旋转(-30°~30°)数据增强方式,输入至本文提出的MA_net网络进行训练,通过网络参数、浮点运算数、运行内存和Dice系数评估该网络性能;最后将其与当前主流的分割网络DeeplabV3+、PSP_net、UNet++、U_Net比较。结果 当输入图像为240×240时,MA_net网络参数分别为4个网络的23.20%、20.10%、25.55%和27.11%;其浮点运算数分别为4个网络的50.02%、19.86%、6.37%和13.44%;其运行内存分别为4个网络的40.63%、23.60%、11.58%和14.99%;GTV的分割结果显示MA_net的Dice系数比4个网络分别高出1.16%、2.28%、1.27%和3.59%;GTV与危及器官的分割结果显示MA_net的平均Dice系数比4个网络分别高出0.16%、1.37%、0.30%和0.97%。结论 相比于上述4个网络,MA_net参数少、运算浮点数低、运行内存小且Dice系数有所提升。     

基于深度学习宫颈癌靶区自动分割勾画临床研究

目的 验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法 选取 535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治 4例及术后 6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果 数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论 基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。     

自动分割技术在鼻咽癌靶区及危及器官勾画应用价值的研究

目的 基于深度反卷积神经网络(DDNN)自动分割技术,探讨其在鼻咽癌靶区和危及器官(OAR)辅助人工勾画的应用价值。方法 利用已完成治疗的 800例鼻咽癌患者的CT信息,构建基于DDNN算法的端到端自动分割模型,选取 10例新的鼻咽癌患者作为研究测试集。通过比较10名初级医师在自动勾画基础上辅助人工勾画(DLAC)与单纯人工勾画(MC)的精确度系数(DICE)、平均一致距离(MDTA)、变异系数(CV)、标准距离偏差(SDD)、勾画时间等参数以评估自动勾画的效果。结果 在DLAC组,GTV、CTV的DICE分别为 0.67±0.15、0.841±0.032,MDTA分别为(0.315±0.23)、(0.032±0.098)mm,显著优于MC组(P<0.001)。除脊髓、左右晶体、下颌骨外,DLAC组其他OAR的DICE高于MC组,其中下颌骨最高,视交叉最低。此外,相较MC组,DLAC组GTV、CTV、OAR的CV、SDD均显著降低(P<0.001),总勾画时间节省63.7%(P<0.001)。结论 与MC相比,基于DDNN建立的DLAC能更为准确地实现鼻咽癌GTV、CTV和OAR的勾画,可大幅提高医师工作效率及勾画一致性。     

基于生成对抗网络的放疗剂量分布研究

目的 探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法 生成对抗网络(GAN)是一种利用神经网络的生成模型,输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证,再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据,利用靶区和器官轮廓信息直接生成剂量分布图。结果 对于理想数据验证,GAN生成模拟分布效果优良,通过提取靶区轮廓和真实剂量切片数据使用cGAN训练,得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%,3.37%](计划靶体积)、[2.63%,2.87%](脑)、[1.50%,2.70%](临床靶体积)、[3.87%,1.79%](大体肿瘤体积)、[3.60%,3.23%](危及器官-1)、[4.40%,3.13%](危及器官-2)。结论 利用GAN模型可以生成模拟分布数据,同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布,是剂量预测的一种有效尝试。     

BMAL1基因抑制耐放射鼻咽癌细胞株增殖、迁移和侵袭能力机制研究

目的探究BMAL1基因对耐放射鼻咽癌细胞株（5‐8FR）增殖、迁移和侵袭能力的影响及分子机制。方法 小剂量分次照射构建鼻咽癌耐放射细胞5‐8FR,运用克隆形成实验结果拟合多靶单击模型并计算放疗增敏比。通过蛋白质印迹实验检测5‐8FR和对照组5‐8F细胞株中PI3K/Akt/MMP‐2/9信号通路相关蛋白的表达。构建BMAL1基因的高表达及敲除载体,分别转染鼻咽癌细胞株5‐8F和耐放射细胞株5‐8FR,获得BMAL1基因过表达（pcDNA‐BMAL1）及其对照组（pcDNA）和干扰（BMAL1‐shRNA）及对照组（con‐shRNA）的稳转细胞株。蛋白质印迹法验证感染效率,检测两组细胞过表达或干扰BMAL1基因后PI3K/Akt/MMP‐2/9信号通路相关蛋白的改变情况。采用CCK‐8法、划痕实验、Transwell法检测过表达及干扰BMAL1基因后耐放疗细胞株5‐8FR增殖、迁移和侵袭能力的变化。结果 鼻咽癌耐放射细胞株中BMAL1基因表达下调,PI3K/Akt通路蛋白及下游相关分子MMP‐2、MMP‐9表达增加,TIMP‐2、TIMP‐1表达降低。过表达BMAL1基因可抑制PI3K/Akt通路蛋白及下游相关分子MMP‐2、MMP‐9表达,促进TIMP‐2、TIMP‐1表达,抑制耐放射鼻咽癌细胞的增殖、迁移和侵袭能力,干扰BMAL1基因则结果相反。结论 BMAL1基因可以逆转耐放射鼻咽癌细胞株PI3K/Akt/MMP‐2/9信号通路相关蛋白的表达,并抑制耐放射鼻咽癌细胞株的增殖、迁移和侵袭能力。     

腮腺癌术后调强放疗缩小临床靶区的探索性研究

目的 探讨腮腺癌术后调强放疗（IMRT）缩小临床靶区对局部控制和患者生存的影响,并分析失败模式,为精准放疗时代腮腺癌术后放疗靶区勾画提供临床依据。方法 回顾性分析行术后放疗的126例腮腺癌患者,根据CTV前界勾画不同分为腮腺前缘组（A组）和咬肌前缘组（B组）,采用Kaplan‐Meier法进行生存分析,log‐rank检验行单因素分析,Cox回归模型行多因素分析腮腺癌的预后影响因素。结果 A组和B组5年无局部复发生存（LRFS）率、无区域复发生存（RRFS）率、无远处转移生存（DMFS）率及总生存（OS）率分别为96.7%∶91.3%、96.7%∶90.2%、86.9%∶81.3%、86.0%∶81.4%,差异均无统计学意义。全部患者局部复发7例：A组2例,野内、外复发各1例;B组5例,4例野内复发,1例边缘区复发。单因素分析结果显示年龄是LRFS的影响因素,年龄、N分期和病理类型是OS的影响因素。Cox多因素回归分析显示年龄、N分期、病理类型为OS的独立影响因素。结论 对于前界无腮腺外侵犯、术后切缘阴性的腮腺癌患者,缩小CTV前界体积未增加局部复发风险。与勾画至咬肌前缘相比,生存获益无明显差异。CTV勾画需根据风险因素区别对待。     

直肠癌术前/术后适形/调强放疗靶区勾画共识与图谱

目的 在三维放疗时代,为直肠癌术前/术后放疗制定靶区勾画的中国专家共识,并辅以高分辨率图谱。方法 收集直肠癌放疗靶区勾画的国际指南,结合国内肿瘤中心的经验,起草“直肠癌术前/术后适形调强放疗靶区勾画共识与图谱”,在“中国医师协会结直肠肿瘤专委会放疗专委会”集中会议上进行讨论及投票,由专门的执行小组对最终的结果进行归纳。结果 主要针对直肠癌放疗的定位技术、术前放疗靶区定义、根治术后放疗靶区定义、OAR定义、剂量和分割等方面,根据证据的强弱和专家意见一致的程度,给予分级推荐;同时在高分辨率CT上提供了CTV的图示。结论为直肠癌放疗提供中国专家共识,规范直肠癌放疗流程,减少不同单位或不同医生之间勾画的差异。     

鼻咽癌IMRT自动计划与人工计划比较

目的 将鼻咽癌调强放疗的自动计划与人工计划进行对比,探讨自动计划在鼻咽癌放疗中是否有优势。方法 回顾性纳入97例鼻咽癌患者,所有患者均在Eclipse治疗计划系统上完成调强放疗人工计划的制作。使用Pinnacle³治疗计划系统的自动计划软件包重新进行调强放疗自动计划制作。统计对比两种计划方式得到的靶区剂量95%靶区体积所对应的剂量、靶区均匀指数和靶区适形指数,正常器官剂量。结果 人工计划和自动计划PTV覆盖率和均匀性相近(P=0.30)。与人工计划相比,自动计划在正常器官保护方面更为出色,平均剂量降低了270~1870 cGy (P=0.16)。结论 自动计划在保证靶区处方剂量的同时能让正常器官的剂量进一步降低,放疗计划的质量有明显提高。     

miR‐26a调控CTGF表达在放射性心脏损伤中作用的实验研究

目的 探讨miR‐26a在实验鼠放射性心脏损伤（RIHD）中的调节作用。方法 以C57/BL6小鼠构建RIHD模型,检测心功能、纤维化、胶原蛋白1（COL1）、结缔组织生长因子（CTGF）及miR‐26a的表达。双荧光素酶试剂盒检测CTGF是否是miR‐26a的靶基因。在心肌成纤维细胞转染miR‐26a up及miR‐26a down慢病毒,构建miR‐26a过表达和低表达细胞模型,检测心肌成纤维细胞的增殖、凋亡及CTGF的表达。结果 小鼠心脏被辐射后心功能下降、心肌纤维化重塑,COL1和CTGF表达增加,miR‐26a表达下降。双荧光素酶报告基因检测证实CTGF是miR‐26a的靶基因。过表达miR‐26a可抑制心肌成纤维细胞CTGF表达,抑制心肌成纤维细胞增殖,促进凋亡,分泌胶原蛋白;低表达miR‐26a则得到相反的实验结果。结论 miR26a可能通过靶向调控CTGF的表达,影响心肌成纤维细胞的功能,参与放射性心肌纤维化的过程,有望成为RIHD新的治疗靶点。     

勾画指南的培训对海马勾画的影响

目的 观察不同勾画者勾画海马靶区的差异情况,探讨针对性的培训对改善靶区准确性的作用。方法 前瞻性选取需接受全脑放疗的患者 20例,在勾画指南培训前后,3位放疗科医生分别勾画所有患者的海马,每位患者前后均勾画3次。由1名影像诊断科医生集中培训海马勾画,并共同勾画 20例患者的海马,作为标准靶区。对培训前后每位勾画者勾画的靶区进行比较。结果 3位勾画者培训前后与标准靶区的适形指数分别为 0.66±0.04和 0.77±0.02、0.62±0.04和 0.76±0.02、0.49±0.05和 0.74±0.04,培训后3位勾画者的适形指数均较培训前明显提高(P<0.05)。不论培训前还是培训后,3位勾画者勾画的靶区均不同(P<0.05)。培训前后3位勾画者勾画的海马体积变异系数分别为 0.16±0.06和 0.08±0.04(P<0.05)。比较同一勾画者培训前后不同时间勾画的所有靶区,培训后3位勾画者自身的一致性均较培训前明显提高(P<0.05)。结论 海马勾画培训提高了海马靶区勾画的准确性。     

基于混合注意力U-net全脑全脊髓临床靶区自动勾画

目的:在U-net卷积神经网络基础上设计出混合注意力U-net (HA-U-net)网络用于全脑全脊髓临床靶体积(CTV)自动勾画,并与U-net自动分割模型分割结果进行比较。方法:研究回顾了110例全脑全脊髓患者数据,选择80例用于训练集,10例用于验证集,20例作为测试集。HA-U-net以U-net为基准网络,在...     

人工智能技术在鼻咽癌放疗危及器官自动勾画中的应用研究

目的 评估基于人工智能技术的放疗危及器官自动勾画软件在临床应用中的价值.方法 选取2019年4月—2020年4月在自贡市第一人民医院肿瘤科治疗的30例鼻咽癌患者进行研究.首先,使用AccuContour软件勾画30例鼻咽癌患者的危及器官;然后使用瓦里安Eclipse v13.6计划系统人为手工勾画危及器官;最后将自动勾...     

基于Dense V-Network神经网络的女性肠道自动分割研究

目的 用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法 将Dense Net与V-Net2个网络模型进行融合,形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数,测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果 小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm,结果优于单一算法(均P<0.05)。结论 Dense V-Network算法可较为准确地分割肠道器官,医生修改审查简单易行,可用于临床。     

Research on automatic segmentation of female bowel based on Dense V-Network neural network

Objective To resolve the issue of poor automatic segmentation of the bowel in women with pelvic tumors, a Dense V-Network model was established, trained and evaluated to accurately and automatically delineate the bowel of female patients with pelvic tumors. Methods Dense Net and V-Net network models were combined to develop a Dense V-Network algorithm for automatic segmentation of 3D CT images. CT data were collected from 160 patients with cervical cancer, 130 of which were randomly selected as the training set to adjust the model parameters, and the remaining 30 were used as test set to evaluate the effect of automatic segmentation. Results Eight parameters including Dice similarity coefficient (DSC) were utilized to quantitatively evaluate the segmentation effect. The DSC value, JD,ΔV, SI, IncI, HD (cm), MDA (mm), and DC (mm) of the small intestine were 0.86±0.03,0.25±0.04,0.10±0.07,0.88±0.05,0.85±0.05,2.98±0.61,2.40±0.45 and 4.13±1.74, which were better than those of any other single algorithm. Conclusion Dense V-Network algorithm proposed in this paper can deliver accurate segmentation of the bowel organs. It can be applied in clinical practice after slight revision by physicians.     

宫颈癌后装治疗中基于U-net的自动施源器分割

目的 在CT引导的宫颈癌三维后装治疗计划制定中,应用U-net模型完成施源器的自动分割。方法 基于U-net网络创建深度学习模型,将2019年12月—2020年10月的27例宫颈癌患者数据经过预处理后写入数据集,按照15∶2∶10的比例将数据集划分为训练集、验证集和测试集。将训练集和验证集数据放入模型中训练并验证,并将测试集数据应用到训练好的神经网络中分割出施源器,采用戴斯相似性系数(DSC)、95百分位豪斯多夫距离(HD95)、相关体积差异(RVD)、精确率和召回率对模型进行评价。结果 10例测试集患者平均的DSC为0.90,HD95为1.26 mm,RVD为-0.06,精确率为0.94,召回率为0.88,分割时间为5 s。结论 本研究利用U-net网络实现了宫颈癌三维后装治疗计划制定施源器的自动分割,可将其应用于施源器的重建,于实现临床计划制定的自动化具有较大意义。     

ABAS软件勾画OAR临床前测试重要性研究

目的 对基于模板自动分区(ABAS)算法的图像勾画软件进行临床前测试,评估鼻咽癌放疗计划OAR勾画精度,为确定临床应用条件提供依据。方法 以放疗医师在22例鼻咽癌患者放疗计划CT图像上手工勾画的OAR结构为评价标准,分别对ABAS软件两种算法(General和Head/Neck)自动勾画的OAR进行以下测试:(1)每1例患者均拷贝1套图像,以原图像上手工勾画的轮廓为模板在拷贝图像上自动勾画,考察自动勾画对模板的还原能力;(2)以1例患者图像上手工勾画的轮廓为模板,对其余患者图像进行自动勾画,考察采用单一模板对不同患者图像自动勾画的准确度。评价指标包括各OAR的DSC、V_diff、DSC与勾画体积相关性,以及自动勾画加手工修改与单纯手工勾画的耗时差别。Wilcoxon符号秩检验,Spearman相关性分析。结果 Head/Neck算法对模板还原能力优于或相当于General算法,自动勾画DSC与所勾画结构体积大小呈正相关(r_s=0.879、0.939)。还原测试中体积>1 cm³器官自动勾画的DSC>0.8。使用Head/Neck算法基于单一模板的自动勾画中,脑干、颞叶、腮腺、下颌骨的DSC和V_diff平均值分别为0.81~0.90和2.73%~16.02%,颞颌关节和视交叉DSC为0.45~0.49。应用自动勾画加手工修改比单纯手工勾画可以节省68%时间。结论 临床前测试可以确定ABAS算法在特定临床应用条件的准确度和适用范围,所测试软件可帮助提高鼻咽癌放疗计划OAR勾画效率,但不适用于较小体积器官的勾画。     

Evaluation of threshold and gradient based 18F-fluoro-deoxy-2-glucose hybrid positron emission tomographic image segmentation methods for liver tumor delineation

PurposeImage segmentation methods were studied to delineate liver lesions in ¹⁸F-fluoro-2-deoxy-glucose positron emission tomographic (FDG-PET) images. The goal of this study was to identify a clinically practical, semiautomated FDG-PET avid volume segmentation method to improve the accuracy of liver tumor contouring for treatment planning in stereotactic body radiation therapy (SBRT).Methods and materialsPretreatment PET-CT image sets for 26 patients who received SBRT to 28 liver lesions were delineated using the following 3 methods: (1) Percent threshold with respect to background corrected maximum standard uptake values (SUV; threshold values varied from 10% to 50% with 10% increments); (2) threshold 3 standard deviations above mean background SUV (3σ); and (3) a gradient-based method that detects the edge of the FDG-PET avid lesion (edge). For each lesion, semiautomatically generated contours were evaluated with respect to reference contours manually drawn by 3 radiation oncologists. Two similarity metrics, Dice coefficient, and mean minimal distance (MMD), were employed to assess the volumetric overlap and the mean Euclidian distance between semiautomatically and observer-drawn contours.ResultsMean Dice and MMD values for 10%, 20%, 30% threshold, 3σ, and edge varied from 0.69 to 0.73, and from 3.44 mm to 3.94 mm, respectively (ideal Dice and MMD values are 1 and 0 mm, respectively). A statistically significant difference was not observed among 10%, 20%, 30% threshold, 3σ, and edge methods, whereas 40% and 50% methods had inferior Dice and MMD values.ConclusionsThree PET segmentation methods were identified above as potential tools to accelerate liver lesion delineation. The edge method appears to be the most practical for clinical implementation as it does not require calculation of SUV statistics. However, the performance of all segmentation methods showed large lesion-to-lesion fluctuations. Therefore, such methods may be suitable for generating initial estimates of FDG-PET avid volumes rather than being surrogates for manual volume delineation.     

基于卷积神经网络的直肠癌靶区及危及器官自动勾画

目的实现直肠癌靶区和正常组织的自动勾画,提高临床工作效率。方法采用基于卷积神经网络的深度学习方法,架构神经网络,学习并实现自动勾画,比较自动勾画与人工勾画的差异。结果210例直肠癌患者随机分组为190例训练集,20例验证集。测量单个患者完整勾画耗时约10s,CTV的平均Dice为0.87±0.04,其余正常组织的平均Dice均>0.8,CTV的HD指数为25.33±16.05,MDA指数为3.07±1.49,JSC指数为0.77±0.07。结论使用基于全卷积神经网络的深度学习方法可以实现直肠癌靶区的自动勾画,提高工作效率。     

基于结构信息和直觉模糊集的图像相似度测度法在放疗摆位验证中应用

目的 提出基于结构信息和直觉模糊集的图像相似度测度法,并对放疗计划定位CT图与CBCT图进行相似性测度以客观定量衡量摆位误差。方法 选取鼻咽癌和盆腔部肿瘤患者各 1例,提取其计划CT图像及CBCT图像,在鼻咽癌患者横截面与矢状面、盆腔部患者横截面与冠状面上,人为模拟了5种不同程度的摆位误差,同时运用相关系数、均方误差、图像联合熵、互信息以及本文相似度测度法对误差进行比较测量。结果 5种方法都可以在一定程度上描述误差。对比其他方法,相似度测度法随着误差增大表现出更强烈的变化趋势:鼻咽癌横截面5种误差递增结果归一化后为0.553、0.683、1.055、1.995、5.151,矢状面为1.171、1.618、1.962、1.790、3.572;而其他方法结果归一化后为 0~2间,且同一方法不同误差的结果变化较小。另外,该方法对软组织误差更敏感。结论 基于结构信息和直觉模糊集的图像相似度测度法衡量结果与人眼感知更一致,可一定程度上客观量化了包括骨性标记与软组织的误差,其反映的软组织偏差对个体化精准放疗有意义。