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。     

宫颈癌自适应放疗中基于自配准与图谱库的自动勾画比较

目的 分析MIM软件在宫颈癌自适应放疗中基于自配准与图谱库的自动勾画的可行性与准确性。方法 选取60例宫颈癌患者的CT图像及勾画结果建立Atlas模板库。随机选取15例宫颈癌患者初次计划CT (pCT)与重新计划CT (rCT),由资深临床医师勾画CTV和危及器官。分别以刚性和形变两种配准方式将pCT的勾画传送到rCT图像上;并对各rCT图像行基于Atlas模板库的自动勾画,统计3种方法所需时间。利用Dice相似性系数(DSC)、交叉指数(OI)、Hausdorff平均距离(AHD)、质心距离(DC)评价勾画结果,并进行单因素方差分析。结果 Atlas组、刚性组和形变组完成1例所需平均时间分别为89.2、22.4、42.6 s。对于CTV和直肠的DSC、OI和AHD,刚性组和形变组与Atlas组之间不同(P<0.001),小肠的OI在刚性组和形变组与Atlas组之间有不同, CTV的DSC平均值分别为0.89(刚性组和形变组)、0.76(Atlas组)。对于膀胱、盆骨和股骨头,形变组的勾画结果最优。结论 形变组的勾画结果优于刚性组和Atlas组,3种勾画方式均能快速地完成靶区和危及器官的自动勾画。     

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。     

基于图像变换的CT图像校正算法在宫颈癌放疗剂量准确性评估中的应用

目的 定量评估宫颈癌放疗计划剂量准确性。方法 提出基于图像变换的CT图像校正算法,参考CBCT图像对宫颈癌临床计划CT图像进行校正,获取更能反映实际治疗体位的校正图像;将临床计划移植至校正图像重算剂量生成测试计划,并与临床计划进行剂量学参数比较分析,评估剂量准确性。结果 对比计划靶区覆盖均能满足临床要求(>98%),均匀性指数HI无较大差别(P=0.150);测试计划剂量分布适形性较临床计划差且具有显著性差异(P<0.05)。测试计划各危及器官的Dmax较临床计划高约30 cGy并具有显著性差异(P<0.05),V50较临床计划略高,而Dmean无较大差异。结论 基于图像变换的CT图像校正算法可用于对宫颈癌放疗剂量准确性进行定量评估,为临床解决类似问题提供参考。     

基于图像变换的CT图像校正算法在宫颈癌放疗剂量准确性评估中的应用

目的 定量评估宫颈癌放疗计划剂量准确性。方法 提出基于图像变换的CT图像校正算法,参考CBCT图像对宫颈癌临床计划CT图像进行校正,获取更能反映实际治疗体位的校正图像;将临床计划移植至校正图像重算剂量生成测试计划,并与临床计划进行剂量学参数比较分析,评估剂量准确性。结果 对比计划靶区覆盖均能满足临床要求(>98%),均匀性指数HI无较大差别(P=0.150);测试计划剂量分布适形性较临床计划差且具有显著性差异(P<0.05)。测试计划各危及器官的Dmax较临床计划高约30 cGy并具有显著性差异(P<0.05),V50较临床计划略高,而Dmean无较大差异。结论 基于图像变换的CT图像校正算法可用于对宫颈癌放疗剂量准确性进行定量评估,为临床解决类似问题提供参考。     

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。     

基于多任务学习方法的单模多器官三维剂量分布预测研究

目的 构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法 收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果 10例鼻咽癌IMRT计划用于训练,5例用于测试。 测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论 提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。     

基于生成对抗网络的鼻咽癌靶区自动勾画研究

目的 评估基于一种深度学习网络模型2D‐PE‐GAN的鼻咽癌靶区自动勾画模型,对靶区勾画的工作效率的提高作用。方法 模型采用生成对抗网络的架构,生成器采用UNet相似结构,并在生成器的每一层卷积操作后添加2D‐PE‐block,提升勾画准确度。实验数据使用130例鼻咽癌CT图像,模型训练前对图像进行预处理,通过对比UNet、GAN,以及添加注意力机制的GAN三种模型,使用Dice系数、豪斯多夫距离、准确率、马修斯相关系数、杰卡德距离,说明提出模型的有效性。结果 相比于UNet、GAN、加入注意力机制的GAN,2D‐PE‐GAN网络分割CTV的Dice系数平均值提高了26%、4%、2%,分割GTV的Dice系数平均值提高21%、4%、2%。相比于加入注意力机制的GAN,2D‐PE‐GAN的参数和时间分别减少了0.16%、18%。结论 与UNet、GAN、加入注意力机制的GAN三种模型相比,2D‐PE‐GAN用于鼻咽癌靶区勾画,分割准确度均有所提升,同时,与提出原因相似的注意力机制相比,使用2D‐PE‐GAN在分割准确度相差不大的情况下,能减少计算资源的占用。     

基于危及器官剂量预测和射野角度优化的食管癌调强放疗自动计划研究

目的 在Raystation计划系统上实现基于危及器官剂量预测和射野角度优化的食管癌调强放疗(IMRT)计划自动设计。方法 选取50例食管癌IMRT计划数据作为训练集,训练危及器官剂量预测模型。另外选取20例病例应用RuiPlan自动计划脚本和人工方法分别进行计划设计,其中在自动计划中使用射野角度优化和危及器官剂量预测模型。配对t检验比较两组计划的剂量差异和工作效率。结果 人工计划和自动计划计划靶体积的适形指数、均匀性指数,全肺V5Gy与脊髓Dmax均相近(均P>0.05)。自动计划的左肺和右肺V20Gy、Dmean较人工计划下降1.1%、0.37Gy和1.2%、0.38Gy (均P<0.05),心脏V30Gy、V40Gy、Dmean较人工计划下降5.1%、3.0%、1.41Gy (均P<0.05)。自动计划的人工操作时间、计算机处理时间、机器跳数较人工计划分别减少了65.8%、14.1%、17.2%(均P<0.05)。结论 RuiPlan自动计划脚本能够通过危及器官剂量预测和射野角度优化的方法提高食管癌计划设计效率,为食管癌放疗计划设计提供了另一种可选途径。     

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.     

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...     

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。