人工智能云技术在乳腺癌患者心脏亚结构自动勾画中的应用

目的:评估人工智能云技术勾画平台（AI Contour）在乳腺癌患者心脏亚结构自动勾画中的准确性和可行性。方法:选取10例进行乳腺癌放射治疗患者的血管增强CT作为研究对象。在AI Contour上分别采用手动勾画、自动勾画和自动勾画后手动修改模式来完成10例患者的心脏亚结构勾画,包括左心房、右心房、左心室、右心室。比较Dice相似性系数（DSC）、Jaccard系数（JC）、Hausdorf距离（HD）、质心偏差（CMD）、包容性系数（IncI）、敏感性指数（SI）、勾画时间。结果:以手动勾画为金标准,自动勾画与手动勾画各心脏亚结构的DSC>0.8,JC>0.6,HD<9 mm,CMD<5 mm,IncI>0.8,SI>0.7。自动勾画后手动修改进一步提高了勾画精度,其中JC>0.8。自动勾画时间与手动勾画时间为（85.50±6.06） s vs （1 160.30±74.31） s,差异具有统计学意义（P<0.05）。自动勾画后手动修改总时间与手动勾画时间为（558.70±33.40） s vs （1 160.30±74.31） s,差异具有统计学意义（P<0.05）。结论:通过比较发现自动勾画技术能以较高的精度完成乳腺癌患者左心房、右心房、左心室、右心室的勾画,节省了大量时间,自动勾画后手动修改能进一步提高各心脏亚结构的勾画精度,同时云勾画平台具有远程协作的优势,值得推广运用。     

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。     

智能放疗云平台自动勾画食管癌患者心脏结构的应用

【摘要】目的:测试和评估智能放疗云平台（RAIC.OIS）在食管癌患者心脏结构自动勾画中的应用。方法:选取2018年2月~11月收治的20例食管癌患者进行研究。首先,将20例患者的放疗定位CT图像从Eclipse治疗计划系统传输至连心医疗的智能放疗云平台（RAIC.OIS）;然后,使用RAIC.OIS的自动勾画工具,对CT图像中的心脏结构进行自动勾画;最后,将勾画好的结构文件传输并导入Eclipse。通过比较自动勾画和手工勾画的体积差异、位置差异、形状一致性和勾画时间,评估该软件的自动勾画工具应用于心脏结构自动勾画的可行性。结果:根据测量的数据结果,发现有1例患者的心脏形状和位置比较特殊,排除该患者的数据,对余下19例患者的数据进行统计分析。自动和手工两种方式勾画食管癌患者心脏结构的体积差异为（-17.08±8.66）%,相似性指数值为0.87±0.05。x、y和z这3个方向的位置差异分别为（0.12±0.09）、（0.11±0.08）和（0.22±0.16） cm,总位置差异为（0.31±0.14） cm。19例患者的自动勾画时间为（83±12） s,手工勾画时间为（284±58） s。结论:智能放疗云平台的自动勾画工具,对绝大部分食管癌患者的心脏勾画能够达到满意的结果。使用该工具可缩短心脏结构的勾画时间,提高放疗工作效率。     

基于U-net的心脏自动勾画模型的临床应用及改进

目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1~5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训练的模型,基于本地数据再训练可以有效提高模型预测的精度,其中以20例/次的再训练方式效果较好。     

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。     

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。     

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。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于U-Net结合改进算法对放疗危及器官自动勾画研究

目的：面向放疗危及器官自动勾画构建基于U-Net的模型并针对肝脏分割构建3种改进模型。方法：采集共计184例肝癌患者和183例头部放疗患者的计算机断层扫描（CT）图像及组织结构信息,并结合公开数据集Sliver07用于模型的训练与评估。通过搭建U-Net模型并针对肝脏分割分别结合空洞卷积、SLIC超像素算法、区域生长算法进行训练并得到预测模型,利用预测模型对自动勾画结果进行预测。采用交并比（Io U）和平均交并比（MIo U）评价预测结果的精确性。结果：测试集头部放疗危及器官自动勾画预测结果MIo U为0.795～0.970,肝脏分割使用U-Net预测结果MIo U约为0.876,使用改进后模型预测结果MIo U约为0.888,并很好地约束了预测偏差较大结果的出现,使得测试样本中Io U结果小于0.8的数量占比从16.67%降至7.5%。直观勾画方面结合改进算法的模型比U-Net更能捕捉到复杂、混淆性的边界区域。结论：构建U-Net模型能够在头部放疗危及器官和肝脏自动勾画上表现良好,3种改进的模型能够在肝脏分割上具有更优的表现。     

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。     

左侧乳腺癌保乳术后深吸气屏气模式下Hybrid-IMRT和Hybrid-VMAT的剂量学比较

目的:在深吸气屏气（DIBH）模式下比较适形混合调强（Hybrid-IMRT）和适形混合旋转容积调强（Hybrid-VMAT）对左侧乳腺癌保乳术后的剂量学差异,为治疗计划选择提供参考。方法:选取26名左侧乳腺癌保乳术后的患者分别设计Hybrid-IMRT和Hybrid-VMAT计划,通过体积剂量直方图比较两种计划的靶区和危及器官的剂量。结果:Hybrid-VMAT计划PTV的D90、D98及HI优于Hybrid-IMRT计划（P<0.05）。Hybrid-IMRT计划GI优于Hybrid-VMAT计划（P<0.05）,但对于PTV的D2、Dmean及CI,两种计划没有明显差异（P>0.05）。Hybrid-IMRT计划患侧肺V5、V20、V30及Dmean优于Hybrid-VMAT计划（P<0.05）; Hybrid-IMRT计划心脏的V10、Dmean优于Hybrid-VMAT计划（P<0.05）,但V30、V40比较,差异无统计学意义（P>0.05）;Hybrid-IMRT计划对侧乳腺Dmean、V5优于Hybrid-VMAT计划（P<0.05）,但Dmax比较,差异无统计学意义（P>0.05）;两种计划的脊髓剂量均满足临床剂量要求,但Hybrid-IMRT计划的脊髓Dmax低于Hybrid-VMAT计划（P<0.05）。结论:两种混合计划均能满足临床剂量要求,但Hybrid-IMRT计划可以明显降低危及器官的受照剂量。     

光学表面监测系统引导实现左侧乳腺癌深吸气屏气治疗临床应用及评估

目的:通过分析摆位精度、摆位时间和心脏位置评估以光学表面监测系统（OSMS）引导实现左侧乳腺癌深吸气屏气（DIBH）治疗的临床价值。方法:30例左侧乳腺癌保乳术后患者,运用OSMS的“Move Couch”自动摆位功能,以OSMS引导摆位、DIBH和治疗监控,实现DIBH技术治疗。分析CBCT配准靶区六维绝对误差数据和心脏位置的误差数据,记录摆位时间。结果:绝对摆位误差在x、y、z平移方向和Rx、Ry、Rz旋转方向分别为（0.11±0.08）、（0.14±0.11）、（0.13±0.10） cm和（0.79±0.66）、（0.69±0.57）、（0.73±0.64）°。心脏位置在x、y、z方向平移误差分别为（0.01±0.30）、（0.05±0.34）、（0.01±0.09） cm。摆位时间为（4.1±1.2） min。结论:左侧乳腺癌DIBH放疗技术可将心脏向下、后方推移,远离放疗靶区,减少心脏受量。基于OSMS实施左侧乳腺癌DIBH治疗实现了较好的靶区和心脏位置准确性,OSMS的自动摆位功能可帮助提高摆位精度,减少摆位时间。     

基于深度学习的儿童肺炎检测模型建立及应用

目的:基于深度学习根据儿童胸部X光正位数字影像构建肺炎自动判别模型,辅助临床诊断,提高影像诊断效率。方法:首先通过选取公开数据集5 856张儿童胸片（肺炎4 273张,正常1 583张）,分为训练集、验证集和测试集,基于Resnet-50神经网络构建儿童肺炎自动判别模型,利用验证集选取最优模型,在测试集上做内部独立验证。进一步收集6家医疗单位共611张儿童胸片（肺炎300张,正常311张）进行外部验证,并根据验证结果对模型进行微调后再次测试,使模型更适合临床使用。结果:基于深度学习技术和公开数据集数据构建儿童肺炎自动判别模型,准确率为98.48%,精确率为99.54%,召回率为98.81%,F1-score为98.86%,AUC为0.999。外部验证初始结果准确率为59.90%,选用部分外部验证数据微调模型后,独立测试准确度提升至85.00%。结论:基于深度学习根据公开数据集构建肺炎自动判别模型具有可行性,准确率达98.48%,在实际临床使用时应根据具体使用条件选取适量数据集对模型进行微调。     

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。     

光学表面监测系统自动摆位功能对乳腺癌放疗患者治疗精度及摆位时间的影响

目的:研究放射治疗摆位时,相较于以传统体表标记实行摆位,利用光学表面监测系统（OSMS）自动摆位功能实行摆位对乳腺癌放疗患者治疗精度及摆位时间的影响。方法:30例乳腺癌保乳术后患者随机分为两组,每组15例。OSMS组,以OSMS引导放疗摆位,利用六维自动移床摆位功能。体表标记组,以体表标记引导放疗摆位。记录每次摆位时间和CBCT配准误差数据。误差数据包括左右（x）、头脚（y）、前后（z）方向平移误差和旋转方向（Rx、Ry、Rz）误差。分别对两组CBCT配准误差数据和摆位时间数据行独立样本t检验。结果:OSMS组x、y、z方向平移误差和Rx、Ry、Rz方向旋转误差分别为（0.12±0.11）、（0.12±0.09）、（0.13±0.08） cm和0.33°±0.43°、0.56°±0.50°、0.50°±0.52°,体表标记组分别为（0.15±0.11）、（0.22±0.16）、（0.25±0.16） cm和0.66°±0.72°、0.99°±0.69°、0.78°±0.56°。两种摆位方法在平移y和z方向以及旋转Rx、Ry、Rz方向统计结果有统计学意义（P<0.01）。在x方向平移误差无统计学差异（P>0.05）。OSMS组平移误差绝对值≤0.3 cm在x、y、z方向分别为94%、97%、97%,体表标记组为91%、63%、60%;OSMS组旋转误差绝对值≤1°在Rx、Ry、Rz方向分别为88%、78%、82%,体表标记组为74%、53%、67%。OSMS组摆位时间为（130±27） s,体表标记组为（202±31） s,结果有统计学差异（P<0.01）,OSMS引导自动摆位可减少约70 s摆位时间。结论:相较于体表标记引导摆位,利用OSMS自动摆位功能可明显提高摆位精度,减少摆位时间。 【关键词】乳腺癌;光学表面监测系统;放射治疗;自动摆位;体表标记     

深度强化学习在直肠癌IMRT自动计划的应用

目的:对于调强放疗(IMRT)计划,优化过程较为耗时,且计划的质量取决于计划人员的经验和时间,本文探讨并实现一种无监督IMRT自动优化的方案,使其能够模拟人工操作方式进行治疗计划优化。方法:本研究基于深度强化学习框架,提出一种优化调整决策网络(OAPN)自动化计划优化的方法。利用Varian Eclipse 15.6 TPS的脚本应用程序接口(ESAPI)实现OAPN与TPS之间的交互,以剂量体积直方图作为信息输入,通过强化学习的训练方式,OAPN学习TPS中目标参数的调整策略,从而逐步改善并获得较高质量的计划。实验从临床数据库中选取18例既往已完成治疗的直肠癌病例,其中5例计划案例用于OAPN网络训练,其余13例计划案例用于评估训练后OAPN的可行性与有效性,引入第三方计划评分工具来衡量计划质量。结果:用于测试的13例直肠癌计划,使用统一的初始优化目标参数(OOPs)所获得的平均得分为(45.53±4.58)分(计划得分上限值为110),经过OAPN对OOPs调整后计划所获得的平均得分为(88.67±6.74)分。结论:OAPN借助ESAPI实现与TPS之间数据交互,通过深度强化学习...     

基于3D-ResNet深度影像特征的胆囊癌生存预测模型

建立一个精准的个体化胆囊癌患者生存预测模型,分析、寻找新的胆囊癌预后因素,对于患者预后评估、治疗模式选择、手术患者筛选、术后辅助治疗方案确定及医疗资源合理使用均具有重要意义。本文提出一种基于3D-ResNet提取深度影像特征建立胆囊癌患者生存预后模型的方法,通过迁移学习以及训练3D-ResNet自动提取患者CT的深度特征,并利用提取的深度影像特征,通过Cox比例风险回归模型建立胆囊癌患者的生存预测模型。实验结果表明,基于深度影像特征建立的胆囊癌患者预后因子在预测患者生存时的C指数达到0.734,利用深度影像特征预后因子预测患者的1、3、5年存活率AUC分别达到0.833、0.791、0.813。本方法对胆囊癌预后预测有着良好的指示作用。