特征区域再聚焦提升全卷积神经网络勾画较小靶区准确度

在卷积神经网络基础之上介绍一种特征区域再聚焦的勾画方法。方法:利用端到端的全卷积神经网络,采用正常勾画及特征区域再聚焦勾画两种方法分别对鼻咽癌肿瘤体积（GTVnx）进行自动勾画。选取60例鼻咽癌患者数据,其中40例用于训练,20例用于测试。Dice相似系数（DSC）用于评估自动勾画准确度。结果:正常勾画方法DSC为0.352±0.084,特征区域再聚焦方法DSC为0.524±0.079。对20例测试例勾画结果进行统计学检验结果显示P<0.01。结论:相比正常勾画方法,特征再聚焦勾画方法能够提高对GTVnx的勾画效果,提升较小靶区的勾画精度。     

影像分割中Dice系数和Hausdorff距离的比较

比较影像分割技术中Dice系数和Hausdorff距离的评价效果,分析这两种相似性系数之间的联系,并设计相应的类型加以进一步论述。方法:采用Dice系数和Hausdorff距离对两种轮廓相似度进行评估。设计18个（9对）从临床靶区中抽象出的轮廓,计算并比较这两类相似性系数。结果:根据比较结果,总结出3种不同类型情况:（1）图像符合度好;（2）图像整体符合度好,但存在一小部分符合度差;（3）图像轮廓符合度差。结论:仅靠Dice系数作为唯一评判标准是不完善的,应在此基础上增加Hausdorff距离的筛选,这样才能最大限度地说明轮廓之间的符合程度。     

构建混合多尺度神经网络自动分割Graves眼病的放疗临床靶区

目的：构建混合多尺度神经网络（HMnet）实现放疗临床靶区的自动勾画,提供一个高精度的CT影像自动分割模型。方法：HMnet是一种端到端的卷积神经网络,使用深度残差网络提取特征,由4个不同内核的卷积层组成的多尺度特征融合模块进行处理,以适应不同尺度大小的临床靶区;再引入注意力残差模块对多尺度特征融合模块输出的有效特征进行强化。共采用117例Graves眼病病例的CT影像数据和临床靶区轮廓训练和评估HMnet,选择骰子相似系数（DSC）、95%豪斯多夫距离（95HD）作为评估指标。结果：采用HMnet进行Graves眼病放疗临床靶区自动勾画的DSC为0.874 9,95HD为2.525 4 mm,均优于Unet、Vnet、ResAttUnet3D网络,也优于同一位医生两次勾画结果的平均DSC。结论：HMnet能准确实现Graves眼病放疗临床靶区的自动勾画,可提高放疗医生的工作效率及勾画的一致性。