人工智能在放射治疗中的若干应用研究

发布时间：2020-12-10 05:05

　　放射治疗是恶性肿瘤的重要治疗手段之一,有超过70%的恶性肿瘤患者需要接受放射治疗。放射治疗的基本目标是实现放射治疗增益比的最大化,即最大限度地将放射线剂量集中到计划靶区（Planning TargetVolume,PTV）内,在杀灭肿瘤细胞的同时,保护周围正常组织和危及器官（Organs at Risk,OARs）少受或免受不必要的照射。放射治疗的基本流程如下:（1）通过CT、MR等医学成像仪器获取患者图像,由医生手动勾画靶区和OARs的轮廓;（2）确定放射治疗的处方剂量,通过治疗计划系统（Treatment Planning System,TPS）制定放射治疗计划;（3）治疗实施前获取病人摆位图像,对病人进行摆位校正。（4）对病人进行治疗;如果治疗部位受呼吸运动影响,治疗过程中还需要对肿瘤的运动进行控制或进行实时跟踪预测;（5）放疗后明确肿瘤控制情况、评估正常组织的放性射损伤,以配合其他治疗。临床放射治疗技术日趋成熟,但是仍存在诸多具有挑战性的难题亟待解决。首先,靶区和OARs需要由经验丰富的医生手动勾画,而人工勾画效率较低,极度依赖勾画人员的临床经验,且在不同的病人之间存在较大的差... 

【文章来源】：南方医科大学广东省

【文章页数】：124 页

【学位级别】：博士

【部分图文】：

图１－１宫颈癌病人ＨＤＲ治疗时的剂量分布图

２．２方法和材料??２．２．１迭代分割框架??如图２－１所示，为我们提出基于３Ｄ?ＵＮｅｔ的递归分割框架，其包括两个ｌｅｖｅｌ：??ｌｅｖｅｌ?１的目标是分割出较易分割的ＯＡＲｓ：左右眼球和脑千，确定覆盖视神经??１９??

ＥｎＵＮｅｔ?ｉｓ?ａｌｓｏ?ｅｍｐｐｌｉｅｄ?ｆｏｒ?ｔｈｅ?ｏｔｈｅｒ?ＯＡＲｓ?ｓｅｇｍｅｎｔａｔｉｏｎ?ｉｎ?ｔｈｉｓ?ｓｔｕｄｙ．?Ｈｏｗｅｖｅｒ，?ｔｈｅｒｅ?ｉｓ?ｎｏ??ｐｒｅ－ｓｅｇｍｅｎｔａｔｉｏｎ?ａｓ?ｏｎｅ?ｏｆ?ｔｈｅ?ｉｎｐｕｔ?ｃｈａｎｎｅｌｓ?ｉｎ?ｌｅｖｅｌ?１?ｓｅｇｍｅｎｔａｔｉｏｎ．??如图２－３所示为ＥｎＵＮｅｔ中所采用的深度为３的３Ｄ?Ｕ－ｎｅｔ的网络结构。本??研宄中，ＵＮｅｔ的深度与网络中使用的池化操作次数相同。网络结构中的ＦＭｓ??的降米样和重米样分别采用ｍａｘ－ｐｏｏｌｉｎｇ和ｕｐ－ｓａｍｐｌｉｎｇ层实现。每个卷积模块??由两个序列顺序串联组成，每个序列由３Ｘ３＞＜３卷积、ｂａｔｃｈ?ｎｏｒｍａｌｉｚａｔｉｏｎ、ＲｅＬｕ??函数激活和ｄｒｏｐｏｕｔ组成。Ｂａｔｃｈ?ｎｏｒｍａｌｉｚａｔｉｏｎ［Ｓ３］已被证明可以使ＵＮｅｔ中各层??的权值参数更新更平衡，实现更快速的收敛。Ｄｒ〇Ｐ〇ｕｔ［８４］可有效避免过拟合。本??研究中，深度为ｉ的卷积模块中的ｄｒｏｐｏｕｔ率如式２－１所示：??ｄｒｉ?＝?２＾－Ｄ＾ｄ＿ｒｍａｘ?（２－１）??２２??

【参考文献】：
期刊论文
[1]宫颈癌放疗中基于精确表面剂量累加的直肠并发症预测模型[J]. 陈嘉伟,陈海斌,何强,廖煜良,甄鑫.  南方医科大学学报. 2017(12)

硕士论文
[1]图像分割和图像配准在近距离放射治疗中的应用研究[D]. 陈海斌.南方医科大学 2015



本文编号：2908131