基于密集全连接卷积网络的宫颈癌患者CTV自动预勾画

发布时间：2024-12-18 21:47

　　 使用在小样本中特征学习效果理想的密集全连接卷积网络基于CT图像对宫颈癌患者CTV进行自动预勾画,并评估效果。研究随机选取勾画范围相近的IB期和IIA期宫颈癌术后患者CT数据,从勾画相似度、轮廓偏移程度和勾画体积差异程度三个方面评估预勾画精度。经验证,8项最具代表性的参数结果优于单一网络勾画结果,并优于国际报道。Dense V-Net可较为准确地实现宫颈癌患者CTV预勾画,经医生审查简单修改,可用于临床。

【文章页数】：6 页

【部分图文】：

图1DenseV-Net结构Fig.1DenseV-Netstructurediagram

?作为激活函数，使图像特征被充分利用，加强分割效果，得到与原始输入图像大小相同的输出结果[15]。该融合网络包含了两种单一网络的优点。DenseNet的结构保证了图像各层拥有最大信息流动，使得参数可被其后所有层调用，提高图像特征利用率，在减少冗余信息的同时加速目标函数收敛；对三种....

图形显卡的服务器上运图2网络训练及勾画验证流程Fig.2Networktrainingandsketchingverificationflowchart数据的训练、评估

对训练样本进行抽样和旋转：对每个病例的CT图像随机抽取连续的64层，得到10～20个训练样本；沿x，y，z轴分别对样本进行±10o以内的随机角度旋转，进一步扩展数据容量。从而在增加样本数量的同时使训练结果更具广泛性和精确性。最后，执行网络训练与勾画验证，流程如图2所示。分别训练和....

图(g)ScatterboxdiagramofIncI(h)JD散点箱型图(h)ScatterboxdiagramofJD(g)IncI散点箱型

ChineseJournalofMedicalInstrumentation设计与制造4122020年44卷第5期(a)DSC散点箱型图(a)ScatterboxdiagramofDSC(c)HD散点箱型图(c)ScatterboxdiagramofHD(e)△V散点箱型图(e)....

图4患者CT图像及勾画结果Fig.4PatientCTimageandsketchingresultsCT图像两种勾画对比患者医生手动勾画网络自动勾画

较差。如图5所示，骶前淋巴引流区分叉处下缘及梨状肌上端前界部位的自动勾画普遍误差较大，网络往往不能准确识别该分界，在梨状肌及第三骶椎前缘处产生冗余勾画。另外，对膀胱后壁与直肠前壁的处理部分存在误差，这是由于医生手动勾画时，会根据病人憋尿程度不同将CTV前界适当外扩（一般向膀胱后壁....

本文编号：4017166