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

发布时间：2021-04-11 19:18

　　目的: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(GTV_nx)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GTV_nx的勾画效果,提升较小靶区的勾画精度。 

【文章来源】：中国医学物理学杂志. 2020,37(01)CSCD

【文章页数】：4 页

【部分图文】：

图2 分析过程示意图

测试结果如图3所示。在Focus模型下的平均DSC为0.524±0.079,Normal模型下的平均DSC为0.352±0.084，两种模型下DSC比较，P<0.01。表明Focus模型与Normal模型自动分割GTVnx的结果存在统计学差异，说明特征区域聚焦方法有助于提升全卷积神经网络对较小靶区的勾画精度。为进一步验证特征区域再聚焦方法的有效性，从总计464张测试图像中随机抽取80张进行勾画，并按照上述方法进行配对t检验。结果如图4和图5所示，两模型DSC比较，P<0.01，可知特征区域聚焦方法有助于提高较小靶区的勾画精度。图4 随机抽取的80幅图像两模型下DSC值比较

深度学习中的注意力机制从本质上讲，与人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息。目前，在图像识别、图像描述等领域均有相关注意力机制模型的发展[10-13]。由于放射治疗的靶区之间的空间位置关系确定，如GTVnx一定在CTV1内部，可通过对原始影像集的处理来确定需要重点观测的区域，方便筛选出与GTVnx靶区勾画更为相关的信息，见图1。2 材料与方法

【参考文献】：
期刊论文
[1]基于用户注意力与视觉注意力的社交图像描述[J]. 褚晓亮,朱连章,吴春雷.  计算机系统应用. 2018(08)
[2]CT与MR图像融合在鼻咽癌放射治疗大体肿瘤靶区中的应用研究[J]. 殷全红.  影像研究与医学应用. 2017(15)
[3]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[4]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[6]鼻咽癌调强放射治疗靶区勾画-中国医学科学院肿瘤医院经验总结[J]. 易俊林,高黎,徐国镇,黄晓东,罗京伟,李素艳,肖建平,王凯,张世平,曲媛.  肿瘤预防与治疗. 2011(03)
[7]基于视觉注意力机制的图像检索研究[J]. 梁晔,刘宏哲.  北京联合大学学报(自然科学版). 2010(01)
[8]鼻咽癌治疗的研究进展[J]. 马骏.  中山大学学报(医学科学版). 2010(02)
[9]CT与MR图像融合在鼻咽癌放射治疗大体肿瘤靶区勾画中的应用[J]. 黄东宁,黄海欣,陈绍俊,李桂生.  中国肿瘤临床与康复. 2008(06)
[10]基于局部显著区域的自然场景识别[J]. 王璐,陆筱霞,蔡自兴.  中国图象图形学报. 2008(08)



本文编号：3131815