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3D深度残差全卷积网络的头颈CT放疗危及器官自动勾画

头颈部肿瘤放射治疗危及器官的准确勾画是放疗计划的关键步骤,然而头颈部放疗危及器官的精确分割挑战性很大,目前临床医生手动勾画危及器官非常繁琐、耗时且缺乏一致性。提出基于3D深度残差全卷积网络的头颈部肿瘤放疗危及器官自动分割方法,通过改进的V-Net网络分割模型,有效地结合危及器官CT影像的深层特征和浅层特征,同时根据特别设计的端到端监督学习确定危及器官分割模型参数。为了解决小器官类分布极不平衡问题,提出利用器官位置先验约束采样区域与随机采样相结合的训练样本选择策略,同时采用Dice损失函数对网络进行训练。该策略不仅可加速训练过程,提升分割性能,而且可保证小器官的分割准确率。该方法在2015年MICCAI头颈自动分割挑战赛数据集PDDCA上验证,各器官分割的Dice系数平均值分别为:颌下骨0.945、左腮腺0.884、右腮腺0.882、脑干0.863、左颌下腺0.825、右颌下腺0.842、左视神经0.807、右视神经0.847、视交叉0.583。大多数器官的95% Hausdorff距离小于3 mm,所有器官的勾画平均距离均小于1.2 mm。实验结果表明,该方法在除脑干以外的危及器官分割中性能比其他对比方法更优。     

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。     

深度卷积神经网络在放射治疗计划图像分割中的应用

目的:结合全卷积神经网络(Fully Convolutional Network,FCN)和多孔卷积(Atrous Convolution,AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画。方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集。选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network,D-FCN)。分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的最佳分割模型,最后使用测试集图像对充分训练后获取的最佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力。结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有最佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%。结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割。     

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。     

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。     

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。     

基于有限训练样本的融合网络模型用于盆腔危及器官自动分割的研究

将深度学习应用到医学影像中危及器官自动分割领域时,为解决训练样本不足时三维卷积神经网络优化出现的退化、梯度消失等问题,本研究将Dense Net与V-Net两个网络模型进行融合,开发一种用于三维计算机断层扫描(CT)图像自动分割的Dense V-Network算法,勾画女性盆腔危及器官。采用戴斯相似性系数(DSC)、豪斯多夫距离(HD)、杰卡德距离(JD)三个参数来定量评估分割效果。结果显示膀胱、小肠、直肠、股骨头和脊髓自动分割的DSC值均在0.87以上(平均值是0.9);JD值均在2.3以内(平均值是0.18);除小肠外,HD值均在0.9 cm以内(平均值是0.62 cm)。经验证,Dense V-Network网络可精准地勾画盆腔危及器官。     

两种自动勾画方法对T3分期鼻咽癌靶区勾画结果对比分析

目的：比较和分析基于常规图谱集(Atlas)自动勾画方法和深度学习自动勾画方法对T₃分期鼻咽癌靶区的勾画结果。方法：回顾性选取本院T₃分期鼻咽癌患者138例,由一名高年资医生在CT上勾画GTV和CTV,勾画结果经另外两名高年资医生审核。建立3D-Unet模型,随机选取110例病例作为训练集,28例病例作为测试集。比较3D-Unet模型与Atlas模型的优劣性。结果：与医生勾画结果相比,3D-Unet模型的GTV和CTV平均勾画结果如下所示,平均表面距离：3.01和1.84 mm,95%豪斯多夫距离：16.05和7.70 mm,Dice相似性系数：0.71和0.83,Jaccard相似性系数：0.56和0.71,精确率：0.70和0.85,召回率：0.76和0.81,各项参数均显著优于Atlas模型(P<0.05)。结论：与Atlas自动勾画技术相比,基于3D-Unet模型的自动勾画方法对鼻咽癌靶区的勾画准确率明显提升。     

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。     

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。     

基于级联式深度网络模型的胃及胰腺自动分割研究

目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。     

基于级联3D U-Net的CT和MR视交叉自动分割方法

目的:基于级联3D U-Net,利用配对患者头颈部数据［CT和磁共振图像（MRI）］,取得比仅CT数据更高分割精度的视交叉自动分割结果。方法:该级联3D U-Net由一个原始3D U-Net和改进的3D D-S U-Net（3D Deeply-Supervised U-Net）组成,实验使用了60例患者头颈部CT图像及MRI图像（T1和T2模态）,其中随机选取15例患者数据作为测试集,并使用相似性系数（DSC）评估视交叉的自动分割精度。结果:对于测试集中的所有病例,采用多模态数据（CT和MRI）的视交叉的DSC为0.645±0.085,采用单模态数据（CT）的视交叉的DSC为0.552±0.096。结论:基于级联3D U-Net的多模态自动分割模型能够较为准确地实现视交叉的自动分割,且优于仅利用单模态数据的方法,可以辅助医生提高放疗计划制定的工作效率。     

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。     

基于2D/3D U-plus-net的心脏自动分割

目的:利用2D/3D U-plus-net 提高心脏自动分割的准确率。方法:收集郑州大学第一附属医院60 例患者胸部扫 描CT图像（数据A）及中国科学技术大学附属第一医院45 例患者胸部扫描CT图像（数据B）。基于改进的AlexNet 将 CT 图像分为两类:心脏CT 图像和无心脏CT 图像。在2D/3D U-net 拓扑结构基础上,通过减小网络深度、在长连接中 增加新节点、增加解码器中卷积次数的方法,得到改进后的2D/3D U-plus-net;将靠近腹部的心脏CT图像（图像张数由 预实验决定）输入3D U-plus-net,其余图像输入2D U-plus-net;采用5 倍交叉验证法对模型进行训练及测试。最后通过 Dice 系数、HD95 和平均表面距离（MSD）评估自动分割精度。结果:数据A自动分割的Dice 系数为0.941±0.012,MSD 为（3.918±0.201）mm,HD95为（5.863±0.561）mm;数据B自动分割的Dice系数为0.934±0.014,MSD为（4.112±0.320）mm, HD95 为（6.035±0.659）mm。结论:基于2D/3D U-plus-net 的分割方法提高了心脏自动分割准确率。