利用堆叠式神经网络提高格蕾丝眼病放疗靶区的自动勾画精度

相较于以往将靶区作为单独区域进行自动分割的神经网络,本文提出了一种利用靶区周围器官的位置及形状信息来限定靶区形状及位置,并通过多个网络的叠加融合空间位置信息,从而提高医学图像自动分割精度的堆叠式神经网络。本文以格蕾丝眼病为例,基于全卷积神经网络构建了堆叠式神经网络,对其左右两侧放疗靶区分别进行分割。以医生手动勾画结果为标准,计算体积戴斯相似系数(DSC)和双向豪斯多夫距离(HD)。相较于全卷积神经网络,堆叠式神经网络勾画结果可以使左右两侧体积DSC分别提高1.7%和3.4%,同时左右两侧的双向HD距离分别下降0.6。结果表明,堆叠式神经网络在提升自动分割结果与手动勾画靶区重合度的同时,减小了小区域靶区的分割误差,进一步说明堆叠式神经网络能有效地提高格蕾丝眼病放疗靶区的自动勾画精度。     

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。     

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。     

基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

目的:探究基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的优劣性及应用价值。方法:采集34例鼻咽癌患者的PET-CT数据,比较医生分别在增强CT和PET-CT图像上勾画靶区的差异性,以CSCO指南在PET-CT双模态融合图像上手动勾画的靶区作为金标准,应用Matlab软件计算单一标准摄取值（SUV）阈值分割法和MIM软件自带的PET-EDGE分割法两者的重叠率Dice和豪斯多夫距离HD值,并采用t检验进行统计学分析。结果:基于增强CT图像的手动勾画法、基于PET-CT图像的单一SUV阈值法以及PET-EDGE自动勾画法,3者靶区分割结果的Dice值分别为0.706、0.736、0.806,HD值分别为12.601、11.631、6.143 mm。以PET-CT双模态图像作为参考的靶区手动勾画法与基于增强CT的手动勾画存在差异（Dice:P=8.33×10-7;HD:P=1.065×10-18）;MIM软件自带的PET-EDGE靶区分割法Dice和HD值高于单一SUV阈值法,差异具有统计学意义（Dice:P=0.019 8;HD:P=0.013 7）。结论:在鼻咽癌肿瘤靶区的分割性能上,基于PET-CT图像的自动勾画优于基于增强CT图像的手动勾画,MIM软件自带的PET-EDGE分割法优于单一SUV阈值分割法。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

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。     

融合图像放疗靶区定位精度的检验和初步临床结果

目的：探讨以图像融合技术为基础的肿瘤三维适形放疗靶区定位精度的检验及依据融合图像放疗靶区的确定与单纯CT影像放疗靶区确定的初步临床结果。方法：利用定制的模体分别行CT、MRI和PET成像，进行CT与MRI，CT与PET融合。检验融合后定制标记点的定位精度。对3例特殊病例分别以单纯CT图像为基础和融合图像为基础，进行三维适形放疗靶区认定，对不同医生之间和同一医生在不同时间，放疗靶区定义情况进行对照分析。结果：MRI／CT融合图像总定位精度小于2mm，PET／CT图像融合图像融合精度情况（包括同机融合和异机融合），采用不同的融合算法。定位精度有显著差异（P〈0．01，t=5．385）。单纯利用CT图像进行靶区的定义，不同医生之间，在不同的时间存在差异（P〈0．05），而采用融合技术可减少他们的争议和差异。结论：利用多模式图像融合可以提高靶区定义的准确性．有利于三维适形精确放射治疗。     

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。     

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。     

基于多尺度特征融合与反向注意力的COVID-19病灶分割

针对新型冠状病毒肺炎（COVID-19）分割问题中感染区域具有高变异性以及病灶与背景对比度低等问题,提出一种基于多尺度特征融合与反向注意力的COVID-19感染分割网络。首先,利用残差网络作为主干网络进行特征提取,并使用全局上下文聚合策略对不同层次特征进行融合得到粗略的分割结果;其次,在网络瓶颈处添加多尺度特征融合模块,利用空洞卷积与多核池化增强网络分割不同尺度病变的能力;最后,设计一种级联结构的反向注意力模块,利用互补区域的细节特征增强背景与目标的对比度。本文方法在COVID-19 CT分割测试集上的准确率、特异性、灵敏度分别达到0.714、0.700和0.958,误检和漏检区域明显减少,细小病灶的分割能力显著提升。     

基于3D U-Net 实现人体耳软骨MRI图像的解剖结构分割

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3D生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3D U-Net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(UTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3D U-Net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均Dice相似度系数(DSC)和平均95%豪斯多夫距离(HD95)分别为0.818和1.917,相比于使用基础的3D U-Net模型,DSC指标分别提高6.0%,HD95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的DSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧UTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3D生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。     

Multi-scale Selection and Multi-channel Fusion Model for Pancreas Segmentation Using Adversarial Deep Convolutional Nets

Organ segmentation from existing imaging is vital to the medical image analysis and disease diagnosis. However, the boundary shapes and area sizes of the target region tend to be diverse and flexible. And the frequent applications of pooling operations in traditional segmentor result in the loss of spatial information which is advantageous to segmentation. All these issues pose challenges and difficulties for accurate organ segmentation from medical imaging, particularly for organs with small volumes and variable shapes such as the pancreas. To offset aforesaid information loss, we propose a deep convolutional neural network (DCNN) named multi-scale selection and multi-channel fusion segmentation model (MSC-DUnet) for pancreas segmentation. This proposed model contains three stages to collect detailed cues for accurate segmentation: (1) increasing the consistency between the distributions of the output probability maps from the segmentor and the original samples by involving the adversarial mechanism that can capture spatial distributions, (2) gathering global spatial features from several receptive fields via multi-scale field selection (MSFS), and (3) integrating multi-level features located in varying network positions through the multi-channel fusion module (MCFM). Experimental results on the NIH Pancreas-CT dataset show that our proposed MSC-DUnet obtains superior performance to the baseline network by achieving an improvement of 5.1% in index dice similarity coefficient (DSC), which adequately indicates that MSC-DUnet has great potential for pancreas segmentation.

     

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。     

基于深度特征融合的肺炎影像识别研究

在新型冠状病毒肺炎(COVID-19)疫情背景下,肺炎影像快速准确诊断显得尤为重要.针对肺炎影像纹理及细粒度特征受噪声影响大、常规手段识别率低等问题,本研究构建了一种新的基于跨层连接机制的多主干网络特征融合卷积模型.依托并行特征挖掘思路,利用多尺度感受野挖掘融合来捕获医学图像的局部细节,实现对COVID-19医学影像的...     

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。     

两种自动勾画系统勾画头部小体积危及器官的对比

目的:比较MANTEIA和RT-Mind两种软件自动勾画头部小体积危及器官（OAR）的准确性。方法:选取30例头部肿瘤患者的电子计算机断层扫描（CT）影像和核磁共振影像,将两套勾画系统软件自动勾画的实验组1和在勾画基础上手动修改的实验组2与医生手动勾画的对照组进行交叉指数系数（OI）、形状相似性系数（DSC）、杰卡德相似系数（J）和剂量偏差比较。结果:对于体积相对较大或CT值差异明显的头部器官（如脑干、晶体）,OI、DSC、J值较高,剂量偏差较低;但对于小体积OAR（如视交叉、视神经、垂体）OI、DSC、J值较低,剂量偏差较高。P值分析发现:自动勾画A1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义（P<0.05）。除晶体和内耳的OI值外,自动勾画B1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义（P<0.05）。在自动勾画基础上,手动修改后,OI、DSC和J值都有提升,但与M组的OAR相比仍存在一定的差异。结论:通过软件自动勾画可以满足体积相对较大或CT值差异明显的头部器官放疗的临床需求,但对于头部小体积OAR,在临床上仍需要医生手动勾画。 【关键词】自动勾画;手动勾画;危及器官;头部肿瘤;剂量偏差