基于U-net的心脏自动勾画模型的临床应用及改进

发布时间：2021-02-07 01:58

　　目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1～5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训... 

【文章来源】：中国医学物理学杂志. 2020,37(10)

【文章页数】：6 页

【部分图文】：

CT分类网络模型结构

图1 CT分类网络模型结构为了改进模型在不同医院临床应用时表现有一定差异的问题，本研究使用一定数量的本地数据对心脏的预训练模型进行再训练，观察预训练模型在临床应用中的改善情况。将模型3作为预训练模型，然后将训练数据5作为本地数据，进行模型的临床应用改进。在实验过程中，考虑到使用本地数据每次再训练使用的病例数不同，可能会对模型的收敛速度和预测精度造成影响，所以本研究将100例患者的再训练数据分3组：第一组每次再训练采用20例，共进行5次；第二组每次再训练采用10例，共进行10次；第三组每次再训练采用5例，共进行20次。再训练过程中，loss函数、模型训练的迭代次数均与之前保持一致，分别计算每次更新训练模型后在测试集上的DSC。

从表2和图3可以看到，模型1～5在测试集上的结果存在一定的差异，从DSC的比较结果来看，模型5>模型4>模型3>模型2>模型1，基于郑州大学第一附属医院的100例患者数据训练得到的模型效果最好。模型2得到的DSC低于模型5得到的DSC，并且两者存在显著性差别（P<0.05）。模型3得到的DSC高于模型1和模型2，模型5得到的DSC高于模型4，说明训练数据量的增多可以提高模型的精度。

【参考文献】：
期刊论文
[1]基于3D深度残差全卷积网络的头颈CT放疗危及器官自动勾画[J]. 田娟秀,刘国才,谷珊珊,顾冬冬,龚军辉.  中国生物医学工程学报. 2019(03)
[2]自动勾画技术在前列腺癌自适应放射治疗中的临床应用研究[J]. 崔志强,邱杰,杨波,刘峡,庞廷田,刘楠,于浪,李文博,董婷婷,汪之群,王贝.  中国医学装备. 2019(04)
[3]深度卷积神经网络在放射治疗计划图像分割中的应用[J]. 邓金城,彭应林,刘常春,陈子杰,雷国胜,吴江华,张广顺,邓小武.  中国医学物理学杂志. 2018(06)
[4]利用深度反卷积神经网络自动勾画放疗危及器官[J]. 门阔,戴建荣.  中国医学物理学杂志. 2018(03)

硕士论文
[1]基于Inception模块的医疗图像分类[D]. 王巍.吉林大学 2018



本文编号：3021453