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。     

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。     

不同级别肿瘤中心医师对鼻咽癌调强放疗靶区和危及器官勾画差异比较

目的：评估不同级别肿瘤中心医师对鼻咽癌调强放疗计划靶区和危及器官勾画的个体化差异,为多中心放疗临床试验的质量控制提供数据参考。方法：随机抽取12例不同TMN分期的鼻咽癌患者,3名同一市级肿瘤中心医师以手工方式勾画每例患者的靶区（GTVnx）和危及器官（OAR）。以国家区域级肿瘤中心放疗专家手工修改和确认的靶区（GTVnx）和OAR勾画结构作为标准勾画。采用绝对体积差异比（△V＿diff）、体积最大/最小比（MMR）、离散系数（CV）和体积相似性指数（DSC）分别比较不同级别肿瘤中心（市级与国家区域级）医师之间和市级肿瘤中心3名医师之间的器官勾画差异,并进一步比较不同级别肿瘤中心医师对不同TMN分期的鼻咽癌放疗计划器官的勾画差异。结果：不同级别肿瘤中心（市级与国家区域级）医师之间勾画GTVnx体积差异明显,3名医生中的最大△V＿diff、MMR和CV分别为97.23%±83.45%、2.19±0.75和0.31±0.14,平均DSC<0.7。同时,他们之间对于左右视神经、视交叉、脑垂体等小体积OAR勾画差异也较大,平均MMR>2.8,CV>0.37,DSC<0.5...     

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。     

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。     

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。     

基于三维U-NET深度卷积神经网络的头颈部危及器官的自动勾画

勾画危及器官是放射治疗中的重要环节。目前人工勾画的方式依赖于医生的知识和经验,非常耗时且难以保证勾画准确性、一致性和重复性。为此,本研究提出一种深度卷积神经网络,用于头颈部危及器官的自动和精确勾画。研究回顾了496例鼻咽癌患者数据,随机选择376例用于训练集,60例用于验证集,60例作为测试集。使用三维(3D)U-NET深度卷积神经网络结构,结合Dice Loss和Generalized Dice Loss两种损失函数训练头颈部危及器官自动勾画深度卷积神经网络模型,评估参数为Dice相似性系数和Jaccard距离。19种危及器官Dice相似性指数平均达到0.91,Jaccard距离平均值为0.15。研究结果显示基于3D U-NET深度卷积神经网络结合Dice损失函数可以较好地应用于头颈部危及器官的自动勾画。     

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。     

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。     

基于深度学习的rtStation软件自动勾画乳腺癌术后患者心脏结构的应用分析

【摘要】目的:使用基于深度学习的rtStation软件对乳腺癌术后患者的心脏结构进行自动勾画,对自动勾画的准确性进行测试和评估。方法:选取40例乳腺癌术后患者进行研究,分为左侧保乳（LB）组、右侧保乳（RB）组、左侧根治（LG）组和右侧根治（RG）组。首先将放疗定位CT图像传输至rtStation软件,使用该软件自动勾画各病例心脏结构,最后将勾画好的结构文件导回Eclipse治疗计划系统。计算两种勾画方法的体积差异（△V%）、位置差异（DC）和形状一致性（DSC）数据,评估该软件自动勾画心脏结构的准确性。结果:40例测试结果△V%、DC和DSC分别为（3.49±10.30）%、（0.48±0.30） cm、0.89±0.04。4组的DSC值分别为0.88±0.03（LB）、0.89±0.03（RB）、0.88±0.05（LG）、0.89±0.04（RG）。4个组合组的DSC值分别为0.89±0.03（LB+RB）、0.88±0.04 （LG+RG）、0.88±0.04 （LB+LG）、0.89±0.03（RB+RG）。统计学分析结果显示,LB、RB、LG、RG 4组的ΔV%、DC、DSC值没有统计学差异（P>0.05）,LB+RB和LG+RG两组的ΔV%、DC、DSC值没有统计学差异（P>0.05）,LB+LG和RB+RG两组的ΔV%、DC、DSC值没有统计学差异（P>0.05）。结论:对于不同类型的乳腺癌术后患者,使用rtStation软件自动勾画心脏结构,均可以达到较为准确的效果,且不同类型之间的结果没有统计学差异。     

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的 探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法 选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集（20例）,另一组为测试集（5例）。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果 在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义（P<0.05）;利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069, 利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128± 0.077,两者差异有统计学意义（P<0.001）。结论 采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。     

直肠癌术前放疗危及器官与临床靶区自动勾画的可行性研究

目的:探讨AccuContour软件及定制化自动勾画模型在直肠癌术前容积旋转调强放疗中临床靶区（CTV）和危及器官（OAR）自动勾画几何轮廓及剂量学各项参数精度,为临床应用提供依据。方法:回顾性选取133例已接受直肠癌术前容积旋转调强放疗的患者,随机分组,65例作为训练集,16例作为验证集,52例作为测试集,构建并训练自动勾画模型,将其导入AccuContour软件并自动勾画CTV和4个OAR,对比自动勾画与手动勾画在CTV和OAR几何轮廓的体积差异（[ΔV]）、Dice相似性系数（DSC）、Jaccard系数（JAC）、敏感性指数（SI）、包容性系数（lncl）、质心偏差（DC）、Hausdorff距离（HD）等,以及自动勾画与手动勾画CTV和OAR在同一容积旋转调强计划中所受照射剂量学参数差异,从而评估自动勾画效果。结果:CTV的DSC值、JAC值、SI值、lncl值为:0.84±0.06、0.72±0.08、0.81±0.07、0.87±0.08,[ΔV]值、DC值、HD值为:10.93%（4.56%, 15.37%）、5.03（3.27, 8.77） mm、15.03（15.00, 24.70） mm;OAR的DSC值、SI值、lncl值、JAC值、[ΔV]值、DC值、HD值比较优劣顺序依次为:右股骨头、左股骨头、膀胱、小肠;自动勾画与手工勾画剂量学参数对比中,除膀胱V30、小肠Dmean、CTV D95的差异有统计学意义外（P<0.05）,其余均无统计学意义（P>0.05）。结论:在直肠癌术前容积旋转调强放疗中,本研究所采用的自动勾画系统,对于CTV和OAR的自动勾画有一定准确性,为临床医生节省大量时间,提高工作效率。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

卷积神经网络放疗计划剂量预测:两种解码器对比

目的:拟建立卷积神经网络放疗计划三维剂量分布预测模型,比较种两解码器对网络性能的影响。方法:实验数据包括80例早期鼻咽癌的放疗计划,并随机分为训练集（70例）和测试集（10例）。基于VGG16卷积神经网络,分别采用插值和反卷积两种解码器,建立两种网络结构:插值解码VGG16网络（IVGG16）和反卷积解码VGG16网络（DVGG16）,用于端到端的放疗计划剂量预测。评价模型准确性指标主要包括外轮廓、靶区及危及器官（OAR）的平均绝对误差（MAE）,并分别记录两个网络的训练时间和预测时间。结果:使用两种解码器均可以较准确地预测患者三维剂量分布。IVGG16和DVGG16的外轮廓MAE分别为（5.48±0.46）%和（5.42±0.34）%,差别无统计学意义;靶区的预测值均较准确,MAE均低于2.63%,两种解码器没有统计学意义;两个网络均可以较准确预测OAR的剂量分布。脊髓PRV和甲状腺的MAE,DVGG16较IVGG16分别下降11.8%和15.6%（P=0.029, 0.034）,其余OAR的MAE差别无统计学意义。IVGG16和DVGG16模型训练时间分别为14.8 h和24.6 h,每例平均预测时间分别为（6.6±1.0） s和（28.7±3.9） s。结论:采用插值和反卷积两种解码器预测得到的放疗剂量在整体上具有相当的效果。反卷积解码器对部分OAR剂量分布预测准确性略优,但模型训练和预测的效率有待提高。     

基于改进U型网络的眼底图像血管分割

眼底图像血管分割问题是眼科及其他相关疾病计算机辅助诊断的基础。通过分割和分析眼底图像中的血管结构,可以对糖尿病视网膜病变、高血压和动脉硬化等疾病进行早期诊断和监测。针对目前已有血管分割算法存在准确率不高和灵敏度较低的问题,基于深度学习基本理论,提出一种改进U型网络的眼底图像血管分割算法。首先,通过减少传统U型网络下采样和上采样操作次数,解决眼底图像数据较少的问题;其次,通过将传统卷积层串行连接方式改为残差映射相叠加的方式,提高特征的使用效率;最后,在卷积层之间加入批量归一化和PReLU激活函数对网络进行优化,使网络性能得到进一步的提升。在DRIVE和CHASE_DB1这两个公开的眼底数据库上进行实验,每个数据库随机抽取160 000个图像块送入改进的网络中进行训练和测试,可以得到该算法在两个数据库上的灵敏度、准确率和AUC(ROC曲线下的面积)值,相比已有算法的最好结果平均分别提高2.47%、0.21%和0.35%。所提出的算法可改善眼底图像细小血管分割准确率不高及灵敏度较低的问题,能够较好地分割出低对比度的微细血管。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。