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。     

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。     

RT-Mind自动勾画技术应用于鼻咽癌放射治疗可行性研究

目的:探讨RT-Mind软件在鼻咽癌放疗临床靶区（CTV）、危及器官（OARs）自动勾画的可行性,为临床应用提供依据。方法:回顾性选取28例应用调强技术治疗的鼻咽癌患者,将放疗医师手动勾画CTV、OARs（脑干、脊髓、左右晶体、视交叉、左右视神经、左右腮腺、左右颞叶、左右颞颌关节、下颌骨）做为参考标准,再使用RT-Mind软件自动勾画CTV及OARs。对比手动与自动勾画在CTV和OARs区域的Dice相似性系数（DSC）、Jaccard系数（JAC）、敏感性指数（SI）、包容性系数（lncI）、质心偏差（DC）、Hausdorff距离（HD）等参数,从而评估自动勾画效果。结果:CTV的DSC、JAC、SI、lncl、DC、HD分别为:0.78±0.04、0.70±0.05、0.85±0.08、0.87±0.04、（7.76±5.03） mm、（12.3±1.16） mm,OARs中DC、HD值均在1 cm之内。结论:RT-Mind软件能够基本满足临床要求,能够较为准确地实现鼻咽癌患者CTV和OARs的自动勾画。由于病人既往病史的个体差异,放射治疗医师必须根据临床需要,对自动勾画的CTV和OARs进行修改后,才能用于治疗。若依据临床需求进一步完善自动勾画的个性化定制,相信RT-Mind软件在解剖结构复杂的鼻咽癌放疗中能够辅助放疗医生提高工作效率,更好地为患者服务。     

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...     

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。     

放疗影像自动分割效果评估中几何参数与剂量学参数之间的关联性

目的:通过分析感兴趣区域（ROI）的几何参数与剂量学参数之间的关联性,探讨放疗影像自动分割效果评估时联合使用几何参数与剂量学参数的必要性。方法:利用卷积神经网络构建的分割模型对18例宫颈癌术后患者的危及器官与靶区进行自动分割,把自动分割结果与医生手动勾画结果进行比较,用于评估的几何参数包括基于体积/面积的Dice相似性系数、相对体积差与基于距离的几何参数:最大Hausdorff距离、95% Hausdorff距离、质心差,剂量学参数包括针对危及器官的平均剂量差、针对靶区的ΔD95和ΔD98。采用线性回归方法研究不同分割方式下ROI几何学参数与剂量学参数间的关系,并使用Spearman相关性分析获得几何参数间的相关性及医生勾画与自动分割间剂量学的相关性。结果:所有ROI的几何参数与剂量学参数间的关系均较弱（63.3%的R2<0.4）且不稳定;同时几何参数间的相关系数|r|不超过0.625,互为弱相关或不相关。结论:在对放疗领域的图像分割结果进行评估时,应该同时考虑到几何参数与剂量学参数。选择几何参数时,应联合基于面积/体积的评估方式与基于距离的评估方式。     

ABAS软件勾画OAR临床前测试重要性研究

目的 对基于模板自动分区(ABAS)算法的图像勾画软件进行临床前测试,评估鼻咽癌放疗计划OAR勾画精度,为确定临床应用条件提供依据。方法 以放疗医师在22例鼻咽癌患者放疗计划CT图像上手工勾画的OAR结构为评价标准,分别对ABAS软件两种算法(General和Head/Neck)自动勾画的OAR进行以下测试:(1)每1例患者均拷贝1套图像,以原图像上手工勾画的轮廓为模板在拷贝图像上自动勾画,考察自动勾画对模板的还原能力;(2)以1例患者图像上手工勾画的轮廓为模板,对其余患者图像进行自动勾画,考察采用单一模板对不同患者图像自动勾画的准确度。评价指标包括各OAR的DSC、V_diff、DSC与勾画体积相关性,以及自动勾画加手工修改与单纯手工勾画的耗时差别。Wilcoxon符号秩检验,Spearman相关性分析。结果 Head/Neck算法对模板还原能力优于或相当于General算法,自动勾画DSC与所勾画结构体积大小呈正相关(r_s=0.879、0.939)。还原测试中体积>1 cm³器官自动勾画的DSC>0.8。使用Head/Neck算法基于单一模板的自动勾画中,脑干、颞叶、腮腺、下颌骨的DSC和V_diff平均值分别为0.81~0.90和2.73%~16.02%,颞颌关节和视交叉DSC为0.45~0.49。应用自动勾画加手工修改比单纯手工勾画可以节省68%时间。结论 临床前测试可以确定ABAS算法在特定临床应用条件的准确度和适用范围,所测试软件可帮助提高鼻咽癌放疗计划OAR勾画效率,但不适用于较小体积器官的勾画。     

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。     

自动轮廓勾画软件构建图谱库在宫颈癌放疗中应用探讨

目的 探讨宫颈癌放疗中自动轮廓勾画软件中图谱数据库模板的最优构建模式,并检验其有效性和准确性。方法 本研究采用MIM自动勾画软件,在临床中分别选取20、40、60、80、100、120例宫颈癌患者CT图像及结构文件构建相应的图谱库模板。另选20例宫颈癌患者比较自动勾画与手动勾画差异,并使用单因素方差分析、随机区组方差分析和最小显著性差异t检验。利用时间计数、形状相似系数、交叉系数分析图谱库模板数目及患者CT扫描层数对MIM软件自动勾画所用时间及结果准确度的影响。结果 以专家手工勾画结果为参考,模板数目对该软件勾画结果的准确性及软件自动勾画所需时间均无影响(P均>0.05);待进行靶区勾画患者所扫描CT层数<65层时自动勾画所用时间较短(P=0.000),但导致直肠区域勾画结果准确性下降。当患者CT扫描层数达到67层时可使结肠区域自动勾画结果的准确性达到最高(P=0.037)。结论 应用MIM软件对宫颈癌患者进行靶区自动勾画时构建图谱库的模板数目推荐为20例;待勾画靶区包括膀胱、股骨、脊髓时患者所扫描的CT层数推荐为65层,待勾画靶区包括直肠时推荐为67层。