基于深度学习的危及器官自动勾画软件系统DeepViewer在放疗中的应用及评估

目的:将一款基于深度学习的危及器官自动勾画软件系统DeepViewer应用于临床,实现自动勾画肿瘤患者治疗计划中危及器官的功能。方法:DeepViewer使用改进后的全卷积神经网络U-Net来实现自动勾画患者CT扫描部位所包含的危及器官,并使用Dice相似性系数（DSC）对比分析这22种危及器官自动勾画与手动勾画的差异。结果:11种危及器官DSC平均值在0.9以上,5种危及器官DSC平均值为0.8~0.9,5种器官DSC平均值为0.7~0.8,视交叉DSC平均值最低,为0.676。总体结果表明DeepViewer系统能够较准确地自动勾画出危及器官,特别是左、右肺、膀胱、脑干等器官,已基本满足临床需求。结论:DeepViewer软件系统可以实现放疗肿瘤患者危及器官的自动勾画,准确性较高。同时,DeepViewer系统勾画完毕后,可以通过网络系统自动传输RTStructure DICOM3.0文件,无需其他操作,能极大地提高临床医生工作效率,降低治疗计划流程中的勾画总时间。     

利用深度反卷积神经网络自动勾画放疗危及器官

目的:勾画危及器官是放射治疗中非常重要的常规工作。然而,目前的人工勾画非常耗时,而且依赖于医生的知识和经验。为此,本研究提出一种深度反卷积神经网络,用于自动和精确地勾画危及器官。 方法:深度反卷积神经网络是一个用于自动分割的端到端框架。实验使用了230例头颈部患者的数据,在其中随机选择了184例作为训练集,用于调制自动分割模型的参数,其余46例用作测试集评估方法的性能。用于分割的危及器官包括脑干、脊髓、左腮腺、右腮腺、左颞叶、右颞叶、甲状腺、喉、气管9个危及器官。自动分割精度的量化指标使用戴斯相似性系数和豪斯多夫距离。 结果:所有危及器官自动分割的戴斯相似性系数值均在0.70以上（平均值为0.81）,豪斯多夫距离值在5.0 mm内（平均值为4.3 mm）,表明本研究提出的自动分割方法能准确地分割危及器官。 结论:利用深度反卷积神经网络建立了一种自动分割危及器官的方法,可以得到较准确的结果,为放射治疗流程自动化提供了技术支持。     

金属伪影对鼻咽癌放疗危及器官自动勾画的影响

目的:评估CT金属伪影对鼻咽癌放疗危及器官（OAR）自动勾画的影响。方法:选取有无牙齿修复物的鼻咽癌患者各16例,由放疗医师和深度学习自动勾画平台AccuContour分别勾画26种OAR轮廓。比较有无金属伪影患者不同OAR轮廓三维相似性系数（DSC）和Hausdorff距离（HD）以及有无金属伪影横断面内口腔和下颌骨的二维DSC和HD。同时记录人工勾画和自动勾画全部OAR的时间。结果:所有OAR的三维DSC和HD在有无金属伪影患者组间均无显著差异（P>0.05）。无金属伪影横断面内口腔的二维DSC和HD优于有伪影横断面（P<0.01）,且伪影越严重,自动勾画的口腔轮廓局部偏离基准值越明显。自动勾画效率（<2 min）显著优于人工勾画效率（>70 min）。结论:牙齿修复物伪影对基于深度学习的鼻咽癌放疗OAR自动勾画的准确性和工作效率影响有限,较人工勾画方法仍然具备明显优势。     

基于深度学习和图谱库方法自动勾画肿瘤放疗中危及器官的比较

【摘要】目的:评估比较基于深度学习（DL）和图谱库（Atlas）方法自动勾画不同部位肿瘤放疗中危及器官（OARs）轮廓的几何学精度,为临床应用提供依据。方法:选择40例肿瘤患者的CT图像（头颈部、胸部、腹部和盆腔肿瘤患者各10例）,由资深放射治疗医师手动勾画OARs,然后再分别使用基于DL和Atlas方法的自动勾画软件勾画OARs。采用形状相似性指数（DC）、Jaccard系数（JC）、Hausdorff距离（HD）、体积差异（VD）等多个指标评价基于DL和Atlas自动勾画与手动勾画OARs的几何学一致性。结果:除直肠外,采用DL方法勾画的多数OARs的DC指标高于0.7,优于Atlas方法,差异有统计学意义（P<0.05）。此外,DL方法的JC值除晶体、直肠、脊髓外也都大于0.7。HD中最大的是脊髓,两种方法均超过20 mm。DL方法中VD绝对值较大的是直肠。结论:基于DL方法自动勾画的OARs几何精确度总体上高于Atlas方法。下一步,通过继续增大训练集的数据量可进一步提高基于DL方法模型的鲁棒性,从而更好地辅助放射肿瘤医师,使肿瘤患者获益。     

算法和匹配数目对宫颈癌危及器官自动勾画的影响

目的:探讨基于Atlas实施宫颈癌危及器官自动勾画时勾画算法及匹配数目对自动勾画结果的影响。方法:基于MIM-Maestro软件建立宫颈癌Atlas模板库,入库病例数目为60例。随机选择Atlas库外10例宫颈癌患者,由临床医生手动勾画危及器官（膀胱、直肠和双侧股骨头）,并定义为参考勾画（Vref）。应用多数投票算法和STAPLE算法,匹配数分别选择1、3、5、7、9进行自动勾画。采用勾画时间（T）、相似性系数（DSC）、敏感性指数（SI）、质心偏差（DC）、Jaccard系数（JAC）、Hausdorff距离（HD）评价勾画结果,并进行单因素方差分析和配对样本t检验。结果:勾画时间随匹配数目增大呈线性增加,与勾画算法无关。多数投票算法和STAPLE算法勾画结果均显示,匹配数为1时膀胱的SI和左股骨头的DSC、HD、JAC与匹配数为3、5、7、9时有统计学差异。STAPLE算法中,直肠和双侧股骨头的SI均显示匹配数目为1、3与5、7、9有统计学差异。两种勾画算法的比较结果显示,仅双侧股骨头的SI有统计学差异。结论:基于Atlas实施危及器官自动勾画时,勾画算法对结果基本无影响,所需时间与匹配数呈正比,综合勾画结果建议匹配数目选择3。     

两种自动勾画软件对危及器官勾画结果对比分析

目的:比较和分析两种自动勾画软件（AccuContour和DeepViewer）勾画危及器官的精确度,以此评估它们在不同肿瘤放射治疗中的适用程度和优越性。方法:回顾性选取中科院合肥肿瘤医院肿瘤患者60例,其中鼻咽癌、肺癌、乳腺癌、宫颈癌各15例,由同一个物理师在患者CT图像上手动勾画危及器官,再分别用两种自动勾画软件进行勾画。以手动勾画结果为标准,分别计算两种软件勾画结果的戴斯相似性系数（DSC）和绝对体积差（ΔV）,并对两种勾画结果的差异进行配对t检验,比较两种软件勾画结果。结果:AccuContour软件和DeepViewer软件勾画结果的总体DSC分别为0.90±0.11和0.87±0.14（t=-5.029, P<0.05）,总体ΔV分别为（13.23±18.77）和（29.89±45.27） cm3（t=7.344, P<0.05）。在20个危及器官中,AccuContour软件勾画结果的所有DSC均大于0.7,其中最大DSC为脑（0.99±0.00）,最小DSC为右眼晶状体（0.71±0.11）;DeepViewer软件勾画的结果有18个器官DSC大于等于0.7,其中,最大DSC为肺（0.98±0.00）,最小DSC为右侧股骨头（0.63±0.18）。AccuContour软件勾画的13个器官的ΔV均小于DeepViewer勾画结果。结论:两种软件整体勾画效果均比较好,对于体积较大的危及器官,勾画效果要优于体积较小的器官,AccuContour软件勾画效果优于DeepViewer软件。     

体积对自动勾画软件勾画危及器官准确性的影响

【摘要】目的:评价基于人工智能的自动勾画系统（AccuContour自动勾画软件）对危及器官（OAR）勾画的几何准确性,探讨OAR自动勾画的几何准确性是否受OAR体积的影响。方法:选取161例患者,其中头颈部、胸部、盆腔肿瘤患者各40例,腹部肿瘤患者41例。分别采用AccuContour自动勾画软件和手动勾画的方式对晶体、视神经、眼球、垂体、脑干、腮腺、下颌骨、双肺、心脏、双肾、肝脏、直肠、膀胱、股骨头等部位进行勾画。统计各个勾画部位的戴斯相似系数（DSC）、豪斯多夫距离（HD）、Jaccard系数以及体积这4项参数,并使用DSC、Jaccard系数和HD评价自动勾画的几何准确性。对DSC、HD、Jaccard系数与体积进行Spearman相关性分析,并对晶体、视神经、眼球、腮腺、颞颌关节、双肺、双肾、股骨头等成对部位的DSC、HD、Jaccard系数之间进行Wilcoxon配对秩和检验。结果:各个部位的DSC均数均大于0.7;头颈部的Jaccard系数均数为0.557~0.880,其中最低的为右视神经,最高的为下颌骨。头颈部、胸部、盆腔的HD均数分别小于8、22、16 mm;除肝脏（HD=34.563 mm）外,腹部其他部位的HD均数均小于19 mm。DSCall、Jaccardall系数及HDall的大小与体积具有相关性（rDSC=0.757, PDSC=0.000;rJaccard=0.775, PJaccard=0.000;rHD=0.761, PHD=0.000）。晶体、视神经、眼球、垂体、脑干、腮腺、下颌骨、双肺、膀胱、股骨头等部位的DSC和Jaccard系数与OAR体积具有相关性（P<0.05）,HD与体积不具有相关性（P>0.05）。双肺之间的DSC和Jaccard系数差异具有统计学意义（PDSC＝0.000, PJaccard＝0.000）。结论:AccuContour自动勾画软件对于OAR的勾画具有较高的准确性,自动勾画的几何准确性受OAR体积大小的影响。     

直肠癌术前放疗危及器官与临床靶区自动勾画的可行性研究

目的:探讨AccuContour软件及定制化自动勾画模型在直肠癌术前容积旋转调强放疗中临床靶区（CTV）和危及器官（OAR）自动勾画几何轮廓及剂量学各项参数精度,为临床应用提供依据。方法:回顾性选取133例已接受直肠癌术前容积旋转调强放疗的患者,随机分组,65例作为训练集,16例作为验证集,52例作为测试集,构建并训练自动勾画模型,将其导入AccuContour软件并自动勾画CTV和4个OAR,对比自动勾画与手动勾画在CTV和OAR几何轮廓的体积差异（[ΔV]）、Dice相似性系数（DSC）、Jaccard系数（JAC）、敏感性指数（SI）、包容性系数（lncl）、质心偏差（DC）、Hausdorff距离（HD）等,以及自动勾画与手动勾画CTV和OAR在同一容积旋转调强计划中所受照射剂量学参数差异,从而评估自动勾画效果。结果:CTV的DSC值、JAC值、SI值、lncl值为:0.84±0.06、0.72±0.08、0.81±0.07、0.87±0.08,[ΔV]值、DC值、HD值为:10.93%（4.56%, 15.37%）、5.03（3.27, 8.77） mm、15.03（15.00, 24.70） mm;OAR的DSC值、SI值、lncl值、JAC值、[ΔV]值、DC值、HD值比较优劣顺序依次为:右股骨头、左股骨头、膀胱、小肠;自动勾画与手工勾画剂量学参数对比中,除膀胱V30、小肠Dmean、CTV D95的差异有统计学意义外（P<0.05）,其余均无统计学意义（P>0.05）。结论:在直肠癌术前容积旋转调强放疗中,本研究所采用的自动勾画系统,对于CTV和OAR的自动勾画有一定准确性,为临床医生节省大量时间,提高工作效率。     

两种自动勾画系统勾画头部小体积危及器官的对比

目的：比较MANTEIA和RT-Mind两种软件自动勾画头部小体积危及器官（OAR）的准确性。方法：选取30例头部肿瘤患者的电子计算机断层扫描（CT）影像和核磁共振影像,将两套勾画系统软件自动勾画的实验组1和在勾画基础上手动修改的实验组2与医生手动勾画的对照组进行交叉指数系数（OI）、形状相似性系数（DSC）、杰卡德相似系数（J）和剂量偏差比较。结果：对于体积相对较大或CT值差异明显的头部器官（如脑干、晶体）,OI、DSC、J值较高,剂量偏差较低;但对于小体积OAR（如视交叉、视神经、垂体）OI、DSC、J值较低,剂量偏差较高。P值分析发现：自动勾画A1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义（P<0.05）。除晶体和内耳的OI值外,自动勾画B1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义（P<0.05）。在自动勾画基础上,手动修改后,OI、DSC和J值都有提升,但与M组的OAR相比仍存在一定的差异。结论：通过软件自动勾画可以满足体积相对较大或CT值差异明显的头部器官放疗的临床需求,但对于头部小体积OAR,在临床上仍需要医生手动勾...     

基于三维U-NET深度卷积神经网络的头颈部危及器官的自动勾画

勾画危及器官是放射治疗中的重要环节。目前人工勾画的方式依赖于医生的知识和经验,非常耗时且难以保证勾画准确性、一致性和重复性。为此,本研究提出一种深度卷积神经网络,用于头颈部危及器官的自动和精确勾画。研究回顾了496例鼻咽癌患者数据,随机选择376例用于训练集,60例用于验证集,60例作为测试集。使用三维(3D)U-NET深度卷积神经网络结构,结合Dice Loss和Generalized Dice Loss两种损失函数训练头颈部危及器官自动勾画深度卷积神经网络模型,评估参数为Dice相似性系数和Jaccard距离。19种危及器官Dice相似性指数平均达到0.91,Jaccard距离平均值为0.15。研究结果显示基于3D U-NET深度卷积神经网络结合Dice损失函数可以较好地应用于头颈部危及器官的自动勾画。     

基于改进U-Net的肝脏分割方法

针对现有肝脏图像分割方法存在分割精度较低的问题,提出一种改进U-Net的肝脏分割方法。该方法对U-Net结构做出以下改进,即引入改进的残差模块、重新设计跳跃连接,然后采用混合损失函数,从而提高特征信息的利用率,减少编码器和解码器之间的语义差异,缓解类不平衡的问题并且加快网络收敛。在CodaLab组织提供的公共数据集LITS（Liver Tumor Segmentation）上的实验结果表明,利用该方法达到的Dice相似系数值、敏感度、交并比分别为93.69%、94.87%和87.49%。相比于U-Net和Attention U-Net等分割方法,该方法分割出的肝脏区域结果更加准确,取得了更好的分割性能。     

基于U-Net的T细胞斑点检测方法研究

针对传统图像分割方法抗噪性弱、容易漏检的问题,提出基于U-Net模型的T细胞斑点分割算法。通过中值滤波器平滑消除噪声,灰度化处理降低背景干扰,采用Adam算法优化损失函数,能有效提高分割准确率。实验结果表明,与基于区域生长的传统分割方法对比,U-Net方法在少量斑点和较多斑点两种情况下F1分别提升9%和6%,验证了其有效性。     

基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官

目的:建立一种基于密集连接深度学习的端到端胸部CT图像危及器官自动分割方法,提供一个高精度的自动分割模型,减轻医师临床勾画的工作强度。方法:收集36例肺癌患者CT图像,27例作为训练集,随机取6例作为验证集进行交叉验证,测试集为9例,训练时间约为5 h,完成了左肺、右肺、脊髓、心脏4个危及器官的自动分割,并使用Dice系数、HD95距离与平均表面距离(ASD)3个指标对测试集进行测试。结果:测试集的分割结果显示,与U-Net与ResNet50相比,FC_DenseNet网络在Dice值、HD95、ASD指标上表现较好,但是不同网络之间的分割结果并没有显著差异(P>0.05),FC_DenseNet网络Dice值最高是左肺为0.98,最低为心脏0.84。结论:本研究的结果表明,密集连接结构的深度学习模型能够较为准确地分割左右肺、脊髓、心脏4个危及器官,这种特征图复用的思想为基于深度学习的医学图像分割提供了新思路。     

结合伪MRI信息的腹部CT危及器官自动勾画

目的:结合伪MRI（sMRI）软组织信息,提出新的腹部器官自动勾画模型,改进CT软组织的勾画效果。方法:使用两个独立的深度神经网络分步完成病人腹部危及器官的自动勾画。首先,基于CycleGAN网络构建由CT图像转换sMRI图像的模型,采用去噪判别器等改进方法,得到器官轮廓一致的高清晰度sMRI。其次,使用sMRI与手工勾画信息训练自动勾画模型Residual U-Net,在CT和sMRI上分别自动勾画危及器官轮廓,Residual U-Net的残差模块能够充分利用提取到的特征来区分不同的器官。采用戴斯相似性系数（DSC）作为自动勾画模型分割精度的评价标准,35例宫颈癌与35例前列腺癌患者用于自动勾画模型的训练和评估。结果:结合sMRI信息的自动勾画模型在直肠、膀胱、左右股骨头的平均DSC分别为0.779±0.021、0.944±0.006、0.834±0.006、0.845±0.021。结论:使用结合sMRI信息的腹部CT自动勾画方法,可以在直肠获得更精确的自动勾画结果。     

基于剂量预测和自动勾画技术的PET/CT器官内照射剂量率快速评估方法

目的：实现一种基于深度学习的剂量预测和自动勾画技术的正电子发射断层成像（PET）/CT检查器官内照射剂量率的快速评估方法。方法：首先基于患者特定时刻的PET/CT图像,使用蒙特卡罗程序GATE进行内照射剂量率计算,获得每个患者的剂量率分布图。随后,基于U-Net构建深度神经网络,将患者的CT和PET图像作为输入,GATE计算的剂量率图作为金标准进行训练。训练后的深度学习模型能够根据患者的CT和PET图像预测对应的剂量率分布。同时,使用勾画软件DeepViewer对患者CT图像中的器官和组织进行自动勾画,结合预测得到的剂量率分布结果计算相应器官和组织的吸收剂量率。使用50名患者的PET/CT数据,其中10份用于测试,其余40份进行4折交叉训练,每次使用30份用于训练,10份用于验证。将测试集结果与GATE和GPU蒙特卡罗工具ARCHER-NM进行对比。结果：在自动勾画软件DeepViewer勾画的24个器官中,绝大部分器官的深度学习预测剂量率与GATE计算结果偏差在±10%以内。其中大脑、心脏、肝脏、左肺、右肺的平均偏差分别为3.3%、1.1%、1.0%、-1.1%、0.0%,与GATE...     

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。