基于空洞卷积U-Net模型的胰腺自动分割方法研究

目的 探讨一种空洞卷积U-Net模型对胰腺组织精准分割的可行性.方法 通过对标准U-Net模型进行改进,得到一种多尺度空洞卷积U-Net模型,以100例放疗定位CT中包含完整胰腺的盆腔肿瘤患者的影像和结构信息为研究对象,对两种U-Net模型进行训练和测试,最终比较两者的分割精度.分割精度量化指标分别是戴斯相似性系数(DSC)、杰卡德相似性系数(JSC)、豪斯多夫距离(HD)和平均表面距离(ASD).结果 与标准U-Net模型分割结果比较,该研究的空洞卷积U-Net模型的DSC均值达到0.87,JSC、HD和ASD均值也分别为0.78、9.85 mm和1.62 mm,且差异有统计学意义(P＜0.05).结论 基于标准U-Net模型搭建的空洞卷积U-Net模型能够更准确的分割健康胰腺组织,对改进辅助诊断系统和提高放射治疗效果有着重要的意义.     

基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究

目的:基于U-net卷积神经网络的深度学习方法,探讨宫颈癌放疗临床靶区和危及器官自动勾画的可行性。方法:利用U-net卷积神经网络模型搭建的端到端自动分割框架,以100例已进行IMRT治疗的宫颈癌患者CT及组织结构信息为研究对象,并随机选取其中的10例作为测试集。勾画的对象包括临床靶区（CTV）、膀胱、直肠和左、右股骨头5个部分,比较手动和自动勾画的戴斯相似性系数（DSC）和豪斯多夫距离（HD）以评估自动勾画模型的准确性。结果:4种危及器官自动勾画的DSC值都在0.833以上,平均值是0.898;HD值均在8.3 mm以内,平均值为5.3 mm;临床靶区DSC值是0.860,HD值为13.9 mm。结论:基于U-net卷积神经网络建立的自动勾画模型能较为准确地实现宫颈癌临床靶区和危及器官的自动勾画,临床应用中可大幅提高医生的工作效率及勾画的一致性。