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。     

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...     

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...     

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。     

基于多任务学习的轻量级卷积神经网络在肺部危及器官自动分割中的应用研究

目的 研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法 MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集 497例肺癌病例,以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本,随机划分 300例用于训练与验证,197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC),与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响,按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN),使用相同数据训练与测试,统计并对比两者DSC。结果 MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020,训练与测试时长是Unet、DeepLabv3+的1/3~1/30,S分别为Unet、DeepLabv3+的 1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002,脊髓平均值相差0.001,但标准差却比MTLW-CNN高0.014。结论 MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画,不仅可以提高模型应用效率,还有利于提高模型的泛化性能。     

辅助体表标记摆位方法在胸腹部超重患者中的应用

目的 探讨辅助体表标记摆位方法是否可以减少胸腹部肿瘤超重患者放疗摆位误差。方法 入组2018年1-12月在福建医科大学附属第一医院行放疗的胸腹部肿瘤超重患者60例,随机均分成两组:A组用常规体表标记摆位,B组用常规体表标记+辅助体表标记摆位,均采用头体一体式体位固定板+热塑体膜固定;治疗前行锥形束CT扫描并在线自动匹配,记录各方向平移摆位误差数据,两组摆位误差比较采用t检验。结果 A组和B组在左右、头脚、腹背方向的摆位误差分别为(4.47±2.91) mm和(2.97±1.68) mm (P<0.001)、(5.43±2.61) mm和(3.21±1.62) mm (P<0.001)、(3.87±2.40) mm和(2.59±1.57) mm (P<0.001)。结论 采用辅助体表标记摆位方法可以减少胸腹部肿瘤超重患者的摆位误差,能提高治疗摆位重复性。     

Application of adjuvant skin-marker positioning in overweight patients with thoracic and abdominal tumors

Objective To investigate whether adjuvant skin-marker positioning can decrease the set-up errors in overweight patients with thoracic and abdominal tumors. Methods A total of 60 overweight patients with thoracic and abdominal tumors treated with radiotherapy in the First Affiliated of Fujian Medical University between January 2018 and December 2018 were randomly divided into two groups. In group A, conventional skin-marker positioning was adopted. In group B, conventional skin-marker positioning combined with adjuvant skin-marker position was employed. All patients were immobilized with thermoplastic positioning body membrane with head-body plate fixation. The set-up errors in the right-left, head-foot and dorsoventral directions were obtained from cone-beam CT (CBCT) scan system before radiation delivery. The set-up errors were statistically compared between two groups by using t-test. Results In group A, the set-up errors in the right-left, head-foot and dorsoventral directions were (4.47±2.91) mm,(5.43±2.61) mm and (3.87±2.40) mm, significantly higher compared with (2.97±1.68) mm,(3.21±1.62) mm and (2.59±1.57) mm, respectively (all P<0.001). Conclusion Adjuvant skin-marker positioning method can reduce the set-up errors and enhance the positioning repeatability in overweight patients with thoracic and abdominal tumors receiving radiotherapy.     

基于深度学习多模态风格迁移技术CBCT图像肺癌靶区自动分割方法研究北大核心CSCD

目的针对CBCT图像中肿瘤与周围组织对比度低的缺点, 研究一种适合于CBCT图像中中心型肺癌的自动分割方法。方法收集221例中心型肺癌患者, 其中176例行CT定位, 45例行强化CT定位。将强化CT图像分别设置为肺窗和纵隔窗, 并与首次CBCT验证图像进行弹性配准获得配对数据集;然后将配对数据集传入cycleGAN网络进行风格迁移, 使得CBCT图像可分别转化为肺窗和纵隔窗下的"强化CT";最后经风格迁移后的图像被载入UNET-attention网络对大体肿瘤体积进行深度学习。通过戴斯相似性系数(DSC)、豪斯多夫距离(HD)和受试者工作特征曲线下面积(AUC)对分割结果进行评价。结果经风格迁移后肿瘤与周围组织对比度明显增强, 采用cycleGAN+UNET-attention网络的DSC值为0.78±0.05, HD值为9.22±3.42, AUC值为0.864。结论采用cycleGAN+UNET-attention网络可有效对CBCT图像中中心型肺癌进行自动分割。     

肠道膀胱准备下不同固定方式对前列腺癌精准放疗影响

目的 比较3种体位固定装置在前列腺癌精准放疗中的摆位误差,为盆腔肿瘤精准放疗固定装置的选择和靶区外扩边界（M_PTV）提供依据。方法 回顾性分析中山大学肿瘤防治中心2015年4月至2020年12月133例需盆腔引流区照射的前列腺癌患者,采用1.2 m真空袋（39例）、1.8 m真空袋（44例）和本中心改进的个体化俯卧板（50例）固定。每位患者定位、放疗前均按流程进行肠道膀胱准备,每次治疗前锥形束CT与计划CT的配准采取相同配准框和算法,记录合格肠道膀胱的头脚、左右、腹背三个方向摆位误差,分析3种固定装置下3个方向摆位误差及相应M_PTV数值,分析摆位误差与年龄、体重指数的相关性。结果 3333组摆位误差数据得出,头脚、左右方向的1.2 m真空袋摆位误差均值（3.26、2.34 mm）均大于1.8 m真空袋（2.51、1.90 mm,P值均<0.001）和个体化俯卧板（3.07 mm,P=0.066;2.10 mm, P=0.009）。腹背方向的1.2 m真空袋（仰卧）摆位误差均值（2.20 mm）小于1.8 m真空袋（3.33 mm,P<0.001）和个体化俯卧板（3.61 mm,P<0.001）。1.8 m真空袋各方向摆位误差均小于个体化俯卧板（P≤0.028）。根据Van Herk外扩公式得出：1.2 m真空袋3个方向M_PTV为4 mm左右,1.8 m真空袋和个体化俯卧板头脚、左右方向M_PTV为3 mm左右,腹背方向>5 mm。 摆位误差与年龄、BMI均不相关。结论 摆位精准方面,1.8 m真空袋最优,个体化俯卧板次之;腹背方向仰卧位优于俯卧位。     

肠道膀胱准备下不同固定方式对前列腺癌精准放疗影响

目的 比较3种体位固定装置在前列腺癌精准放疗中的摆位误差,为盆腔肿瘤精准放疗固定装置的选择和靶区外扩边界（M_PTV）提供依据。方法 回顾性分析中山大学肿瘤防治中心2015年4月至2020年12月133例需盆腔引流区照射的前列腺癌患者,采用1.2 m真空袋（39例）、1.8 m真空袋（44例）和本中心改进的个体化俯卧板（50例）固定。每位患者定位、放疗前均按流程进行肠道膀胱准备,每次治疗前锥形束CT与计划CT的配准采取相同配准框和算法,记录合格肠道膀胱的头脚、左右、腹背三个方向摆位误差,分析3种固定装置下3个方向摆位误差及相应M_PTV数值,分析摆位误差与年龄、体重指数的相关性。结果 3333组摆位误差数据得出,头脚、左右方向的1.2 m真空袋摆位误差均值（3.26、2.34 mm）均大于1.8 m真空袋（2.51、1.90 mm,P值均<0.001）和个体化俯卧板（3.07 mm,P=0.066;2.10 mm, P=0.009）。腹背方向的1.2 m真空袋（仰卧）摆位误差均值（2.20 mm）小于1.8 m真空袋（3.33 mm,P<0.001）和个体化俯卧板（3.61 mm,P<0.001）。1.8 m真空袋各方向摆位误差均小于个体化俯卧板（P≤0.028）。根据Van Herk外扩公式得出：1.2 m真空袋3个方向M_PTV为4 mm左右,1.8 m真空袋和个体化俯卧板头脚、左右方向M_PTV为3 mm左右,腹背方向>5 mm。 摆位误差与年龄、BMI均不相关。结论 摆位精准方面,1.8 m真空袋最优,个体化俯卧板次之;腹背方向仰卧位优于俯卧位。     

基于深度学习自动分割模型乳腺癌放疗临床应用与评价

目的 将深度学习算法与商用计划系统整合,建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法 入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型,建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系,进行逐层分析。结果 左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm,左/右乳腺癌OARs平均总体DSC和AHD范围为0.86~0.97和0.89~9.38mm。对CTV和OARs进行逐层分析,达到0.90以上表示医生只需要较少修改甚至不用修改的层面,左右乳腺癌的CTV勾画占比约44.7%的层面,OARs自动勾画占比范围为50.9%~89.6%。对于DSC_s<0.7,在两侧边界区域(层位置0~0.2和0.8~1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降,且越靠近边缘降低程度越明显。脊髓采用全层勾画,未发现有特殊区域出现DSC_s明显下降。结论 建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域,勾画的一致性下降较明显,有待进一步提高。     

基于深度学习自动分割模型乳腺癌放疗临床应用与评价

目的 将深度学习算法与商用计划系统整合,建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法 入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型,建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系,进行逐层分析。结果 左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm,左/右乳腺癌OARs平均总体DSC和AHD范围为0.86~0.97和0.89~9.38mm。对CTV和OARs进行逐层分析,达到0.90以上表示医生只需要较少修改甚至不用修改的层面,左右乳腺癌的CTV勾画占比约44.7%的层面,OARs自动勾画占比范围为50.9%~89.6%。对于DSC_s<0.7,在两侧边界区域(层位置0~0.2和0.8~1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降,且越靠近边缘降低程度越明显。脊髓采用全层勾画,未发现有特殊区域出现DSC_s明显下降。结论 建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域,勾画的一致性下降较明显,有待进一步提高。     

自动勾画软件ABAS在鼻咽癌自适应放疗中的应用

目的:评估ABAS自动勾画软件勾画的危及器官准确度和效率,以此来评估它在鼻咽癌患者自适应放疗中的适用程度.方法:随机抽取15例在我院治疗的鼻咽癌患者.CT1为患者的计划CT,CT2为三分之二疗程重薪扫描的CT图像,CT3为患者放疗结束后扫描的CT图像.在ABAS软件中CT1图像设为模板,在CT2和CT3上自动勾画出所需的危及器官,并将自动勾画结果和手工勾画的结果进行对比分析.利用形状相似性指数(Dice similarity coefficient,DSC)和自动勾画时间评价软件自动勾画的精准性和效率性.结果:ABAS软件自动勾画的体积较大的危及器官的DSC指数均大于0.9,在CT1和CT2组中DSC指数的最高为脊髓(0.96±0.01),最低为晶体(0.43±0.19),在CT1和CT3组中DSC指数最高为下颌骨(0.93±0.45),最低为晶体(0.49 ±0.17).同时用ABAS自动勾画危及器官所需平均时间为十分钟左右.结论:在鼻咽癌自适应放疗过程中,自动勾画软件勾画的危器官可以达到很好的准确度同时又明显的节省时间.这样就可以快速评价危及器官受量,使得鼻咽癌自适应放疗成为可能.     

基于全卷积网络U-Net宫颈癌近距离治疗三维剂量分布预测研究

目的:基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布,并评估其预测精度。方法:首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集,并将其划分为训练集(72例)、验证集(8例)、测试集(20例);然后利用U-Net建立模型,将是否包含宫腔管及插针作为区分因素训练两个模型;最...     

发泡胶与乳腺托架在乳腺癌保乳术后IMRT中固定精度比较

目的 探讨发泡胶与乳腺托架在乳腺癌保乳术后IMRT体位固定中的精度差异。方法 选取2018年2—8月中山大学孙逸仙纪念医院收治保乳术后全乳大分割IMRT (42.56 Gy分16次)的乳腺癌患者24例,随机分为发泡胶组和乳腺托架组。使用CBCT于患者第1、3、5、7、9、11次治疗前拍摄正侧位KV图像在线匹配获得两组患者在左右、头脚、腹背的摆位误差,记录两组摆位时间。采用独立样本t检验分析两组间摆位误差,并计算PTV分次间摆位误差的外扩值。结果 发泡胶组和乳腺托架组在左右、头脚、腹背方向的摆位误差分别为(2.36±1.89) mm与(2.56±2.05) mm (P=0.49)、(1.76±1.78) mm与(3.28±2.79) mm (P<0.05)、(1.47±1.49) mm与(1.73±1.81) mm (P=0.28);CTV向PTV分次摆位误差的外扩值分别为2.97、2.92、2.21 mm与3.41、4.09、2.59 mm;单次摆位时间分别为(3.4±1.1) min与(5.5±3.1) min (P=0.01)。结论 相较乳腺托架,发泡胶的摆位精度明显提升且效率更高。     

CT图像影像组学特征参数变化与放射性肺炎的相关性研究

目的 应用影像组学技术分析发生放射性肺炎(RP)的肺癌患者定位及复位CT图像特征参数变化,筛选与RP发生密切相关的指标。方法 选取放疗后经过随访发生2级及以上RP的肺癌患者31例,获取其放疗前的定位CT图像和经过40 Gy放疗后的复位CT图像,将患侧肺和健侧肺设置为提取参数的ROI,在完成正常肺组织自动分割后,使用IBEX软件进行radiomics特征参数的提取,比较这些特征参数在定位和复位CT图像中的差异。结果 (1)每个时段的单侧肺分别提取了86个有效参数指标;(2)放疗前患侧肺和健侧肺差异有统计学意义的参数指标有22个;(3)复位CT中健侧肺和患侧肺差异有统计学意义的参数有12个;(4)患侧肺放疗前后差异有统计学意义的参数有28个;(5)健侧肺放疗前后差异有统计学意义的参数有28个。结论 在发生RP的肺癌患者中,部分CT影像组学特征在定位和复位CT间差异显著,对这些指标动态变化的追踪分析具有预测RP发生的潜在优势。     

基于深度学习的男性盆腔CT影像自动分割概述

近年来,深度学习已逐渐应用于放射治疗的器官自动分割和勾画.但是基于CT图像的盆腔器官自动分割仍具有较大挑战性.本文介绍了图像分割常用的基础网络模型和框架,以及适用于医学图像分割的网络、损失函数、常用数据集改进,重点概述了近五年基于CT图像使用深度学习自动分割男性盆腔器官的主要网络和结果,探讨了深度学习自动分割所面临的挑...     

基于预测可行性DVH的肝癌VMAT自动计划方法研究

目的 建立基于预测可行性剂量体积直方图(DVH)的肝癌容积调强弧形治疗(VMAT)自动计划方法,并评价其性能。方法 回顾性随机选取10例放疗肝癌病例。采用Pinnacle Auto-Planning设计VMAT自动计划,通过PlanIQ剂量预测得到可行性DVH曲线,并根据其显示的可行性目标区间设置自动计划的初始优化目标。评价计划靶体积、正常肝和其他危及器官的剂量参数以及机器跳数,并与临床手工计划行配对t检验。结果 自动计划和手工计划的计划靶体积D2%、D98%、Dmean和均匀度指数相近[(58.55±2.81) Gy∶(57.98±4.17) Gy、(47.15±1.58) Gy∶(47.82±1.38) Gy、(53.14±0.95) Gy∶(53.44±1.67) Gy和1.15±0.05∶1.14±0.07,P均>0.05],手工计划的计划靶体积适形指数略高于自动计划(0.77±0.08∶0.69±0.06,P<0.05)。自动计划的肝V30Gy、V20Gy、V10Gy、V5Gy和V<5Gy显著优于手工计划[(26.68±11.13)%∶(28.00±10.95)%、(29.96±11.50)%∶(31.89±11.51)%、(34.88±11.51)%∶(38.66±11.67)%、(45.38±12.40)%∶(50.74±13.56)%和(628.52±191.80) cm³∶(563.15±188.39) cm³,P均<0.05],自动计划的小肠、十二指肠、心脏Dmean以及全肺V10Gy低于手工计划[(1.83±2.17) Gy∶(2.37±2.81) Gy、(9.15±9.36) Gy:(11.18±10.49) Gy、(5.44±3.10) Gy∶(6.25±3.26) Gy以及(12.70±7.08)%∶(14.47±8.11)%,P均<0.05]。两种计划的机器跳数相近[(710.67±163.72) MU∶(707.53±155.89) MU,P>0.05]。结论 基于预测可行性DVH的肝癌VMAT自动计划方法能提高计划质量,更好保护正常肝,对小肠、十二指肠、全肺和心脏的保护也有优势。     

Implementation and validation of a three-dimensional deformable registration algorithm for targeted prostate cancer radiotherapy

PURPOSE: Daily prostate deformation hinders accurate calculation of dose, especially to intraprostatic targets. We implemented a three-dimensional deformable registration algorithm to aid dose tracking for targeted prostate radiotherapy. METHODS AND MATERIALS: The algorithm registers two computed tomography (CT) scans by iteratively minimizing their differences in image intensity. For validation, we measured the accuracy in registering (a) a pelvic CT set to its mathematically deformed counterpart, (b) CT scans of a deformable pelvic phantom with and without an endorectal balloon inflated, to simulate intraprostatic targets, 23 CT-opaque seeds were embedded in the prostate, and (c) two pelvic CT scans of a patient obtained on 2 separate days. RESULTS: The mean (SD) error in registering the pelvic CT set to its transformed set was 0.5 mm (1.5), with correlation coefficient improvement from 0.626 to 0.991. Using the deformable pelvic phantom, the correlation coefficient improved from 0.543 to 0.816 after registration. The mean (SD) error in tracking the intraprostatic seeds was 0.8 mm (0.5). The correlation coefficient improved from 0.610 to 0.944 after registration of the two patient CT sets. CONCLUSION: The algorithm had an accuracy of about 1 mm. It could be used for optimizing dose calculation and delivery for prostate radiotherapy.     

基于危及器官DVH预测模型的前列腺癌自动计划研究

目的 评估利用危及器官DVH预测模型来实现前列腺癌自动计划的可行性。方法 从42例前列腺癌放疗计划数据库随机选择30例作为训练集,根据膀胱、直肠与靶区边界的空间距离将其依次分割成层厚为3 mm的亚体积元(Ai),采用偏正态高斯函数拟合各Ai的微分DVH,优化得微分DVH的精确数学模型;利用嵌入在Pinnacle脚本中的C⁺⁺子程序获取另外12例验证集患者OARs的各Ai体积,基于建立的数学模型预测各OARs的DVH参数,将其作为目标函数生成个性化Pinnacle脚本实现自动计划。配对t检验比较原临床计划、预测值和自动计划的剂量差异。结果 DVH预测结果显示其膀胱、直肠60 Gy以上剂量的体积分数均低于原临床计划;自动计划的膀胱V70、V60、V50以及直肠V70、V60值均比原临床计划明显降低(P<0.05),但靶区的覆盖率和适形度基本不变,均匀性略降低(P>0.05)。结论 基于危及器官DVH预测模型的前列腺癌自动计划降低了OARs照射剂量,提高治疗计划设计效率。