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

发布时间：2021-02-13 21:49

　　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。 

【文章来源】：中国医学物理学杂志. 2020,37(04)

【文章页数】：5 页

【文章目录】：
前言
1 材料与方法
    1.1 实验数据
    1.2 网络搭建及勾画流程
    1.3 模型训练
    1.4 评估方法
2 结果
    2.1 模型训练结果
    2.2 自动勾画结果
3 讨论


【参考文献】：
期刊论文
[1]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌.  计算机科学. 2017(S2)
[2]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌.  计算机科学. 2017(S1)
[3]鼻咽癌靶区的自动勾画评价[J]. 吴昕,刘磊,肖江洪,张恒丽,段宝凤,罗勇,杨莉,李平.  四川医学. 2015(06)

硕士论文
[1]基于深度学习的肺结节识别与检测研究[D]. 张金.西南大学 2018
[2]基于深度学习的眼底微动脉瘤检测与识别的研究[D]. 陈建立.电子科技大学 2018



本文编号：3032621