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。     

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。     

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。     

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。     

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。     

基于人工智能技术的危及器官自动勾画在胸部肿瘤中的应用

目的:评估基于人工智能技术的自动勾画软件勾画胸部危及器官轮廓的几何学精度,为临床应用提供依据。方法:选择30例胸部肿瘤患者的CT图像,分别使用基于人工智能技术的自动勾画软件勾画和医师手动勾画胸部危及器官。采用Hausdorff距离、形状相似性指数及Jaccard系数这3个指标评价自动勾画与手动勾画危及器官的几何学一致性。结果:在肺、心脏和脊髓的Hausdorff距离中,最大为右肺的（22.31±4.50） mm,最小为脊髓的（3.17±0.80） mm。危及器官的形状相似性指数值均≥0.91。Jaccard系数中左肺和右肺的均值≥0.95,脊髓的为0.84±0.02,心脏的略低为0.83±0.04。结论:基于人工智能技术的危及器官自动勾画软件对于胸部危及器官勾画能够达到较高的准确性和精度,可以满足临床工作。 【关键词】胸部肿瘤;人工智能;危及器官;自动勾画;放射治疗     

基于RT-Mind软件的乳腺癌靶区及危及器官的自动勾画

目的探讨RT-Mind软件在乳腺癌临床靶区(Clinical Target Volumes,CTV)及危及器官(Organs-At-Risk,OARs)自动勾画的可行性,为临床应用提供依据。方法选取10例乳腺癌保乳术后放疗患者,由临床医生手动勾画CTV及OARs(左肺、右肺、心脏及健侧乳腺),并以此勾画结果作为参考标准,再使用RT-Mind软件自动勾画CTV及OARs。比较手动及自动勾画的相似性系数(DSC)、Jaccard系数(JAC)、Hausdroff距离(HD)及体积差异(VD)等参数以评估勾画效果。对于自动勾画的CTV,沿Body内收0.5 cm作为新的自动勾画临床靶区CTV_(内收0.5 cm),再通过上述评估参数评估其勾画效果。结果CTV自动勾画的DSC值、JAC值、VD值、HD值分别为0.77±0.06、0.64±0.07、(33.47±18.66)%、(2.53±0.64)cm;CTV_(内收0.5 cm)的DSC值、JAC值、VD值、HD值分别为0.83±0.05、0.71±0.07、(17.12±12.11)%、(2.53±0.64)cm,相比自动勾画CTV,除HD值无变化外,其它评价参数均有明显改善。四个OARs的HD均值均小于2.00 cm,四个OARs的DSC、JAC、VD均值比较:双肺>心脏>健侧乳腺,表明双肺勾画效果最好,心脏次之,最后是健侧乳腺。结论RT-Mind软件能够较为准确的实现乳腺癌患者OARs的自动勾画。对于乳腺癌CTV,RT-Mind软件自动勾画效果不理想,而将自动勾画的CTV沿Body内收0.5 cm后,其勾画效果有明显提高。RT-Mind软件能够为临床医生节省时间,提高工作效率。     

基于食管癌放疗的剂量学参数研究几何指标评价自动勾画轮廓准确度的可行性

目的:探讨几何指标HD、HDmean、HD95%、DSC、Jaccard间的差异,并结合食管癌放疗的剂量学参数研究几何指标评估自动勾画轮廓准确度的临床可行性。方法:选取在四川大学华西医院放疗科接受放射治疗的15例食管癌患者作为研究对象,采用ABAS软件勾画双肺、脊髓、心脏等结构,将高年资医生修改、审核后的轮廓视为参考轮廓。在参考轮廓产生的原剂量分布图上获取相应的自动勾画结构的剂量学参数,利用线性回归R^2来量化几何指标与剂量学参数间的相关性。结果:距离类几何指标(0~44.7 mm)波动范围较体积类指标(0.7~1.0)大;几何指标与剂量学参数间的相关性,强弱各异且不一致(45%存在相关性,P<0.05)。结论:剂量学参数深受轮廓所在位置、轮廓差异的影响,凸显了它在临床评估过程中的重要性,也表明仅用几何指标是不可靠的,建议与剂量学参数相结合。     

不同重建方式下CT层厚对胸部肿瘤体积和剂量的影响

目的:基于两种不同的重建方式,分析CT层厚对胸部肿瘤靶区体积、剂量和危及器官受量的影响。 方法:随机选取11例胸部肿瘤患者（主要为食管癌、肺癌和乳腺癌）,获取层厚2 mm的CT影像（2-CT）并将其传至放疗计划系统（Eclipse 10.0）中,分别基于靶区最大层面（方法1）和定标金属小球所在层面（方法2）作为起始层进行重建,得到层厚为4、6、8、10 mm的CT影像（4-CT、6-CT、8-CT、10-CT）。由医生在2-CT影像上勾画靶区和危及器官,并将其复制到其余层厚的影像中。同样基于2-CT影像中设计调强放疗（IMRT）计划,随后将其复制到其余层厚影像中重新计算。统计两种重建方法得到的各层厚影像中的靶体积和剂量,并以2-CT数据为基准加以比较。 结果:两种重建方式中,靶体积的相对变化随着层厚的增大逐渐增大。当靶体积为1.3 cm3时,10-CT中相对偏差两种方法均高达84.62%,8-CT时两种方法相对偏差分别为38.46%、84.62%;体积为30~100 cm3时,各层厚的体积测量偏差方法1均小于方法2;体积>100 cm3时,两种方法中靶体积基本不随层厚而改变。适形指数相对变化随着层厚的变大而变大,对于小体积靶区（<30 cm3）,两种方法在10-CT中相对变化率分别为13.60%、11.18%,在8-CT时为6.56%、13.18%,在6-CT和4-CT时均小于等于5.08%;体积在30~100 cm3时,方法1相对变化率为1.29%~3.03%,方法2为1.34%~5.42%;大体积靶区受层厚的影响小,均<1.38%。两种重建方法的均匀性指数相对变化率只在小体积时随层厚增大有小幅度增加,在8-CT、10-CT时相对偏差较大,方法1为12.95%、17.42%,方法2为16.15%、15.43%。两种重建方式得到的IMRT计划中,脊髓的最小值、平均值,肺的V5、V30,心脏的V30、V40受层厚影响显著（P<0.05）。结论:在胸部肿瘤放疗中,基于靶区最大层面为起始层的重建方式优于基于定标金属小球所在层面为起始层的重建。同时,本研究可以为改进现有的CT扫描流程提供依据。     

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。