利用堆叠式神经网络提高格蕾丝眼病放疗靶区的自动勾画精度

发布时间：2021-10-07 01:26

　　相较于以往将靶区作为单独区域进行自动分割的神经网络,本文提出了一种利用靶区周围器官的位置及形状信息来限定靶区形状及位置,并通过多个网络的叠加融合空间位置信息,从而提高医学图像自动分割精度的堆叠式神经网络。本文以格蕾丝眼病为例,基于全卷积神经网络构建了堆叠式神经网络,对其左右两侧放疗靶区分别进行分割。以医生手动勾画结果为标准,计算体积戴斯相似系数（DSC）和双向豪斯多夫距离（HD）。相较于全卷积神经网络,堆叠式神经网络勾画结果可以使左右两侧体积DSC分别提高1.7%和3.4%,同时左右两侧的双向HD距离分别下降0.6。结果表明,堆叠式神经网络在提升自动分割结果与手动勾画靶区重合度的同时,减小了小区域靶区的分割误差,进一步说明堆叠式神经网络能有效地提高格蕾丝眼病放疗靶区的自动勾画精度。 

【文章来源】：生物医学工程学杂志. 2020,37(04)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

堆叠式神经网络结构

为了评估自动分割的准确性，将两种模型的分割结果与医生手动勾画结果的相似度作为评判标准。总体来说，一种分割方法可以从准确性、效率和可靠性三个方面来判定其精度，各种评估指标大致分为四类：矩量法、重叠指标、平均距离和最大距离[13]。为了较为全面地反映分割结果间的相似度，本研究中使用重叠指标中的戴斯相似系数（Dice similarity coefficient,DSC）和最大距离指标中的豪斯多夫距离（Hausdorff distance,HD）将自动分割的轮廓与手动勾画的轮廓进行定量比较[14]。应用于图像分割的DSC指的是两个目标区域的重叠面积占总面积的百分比。就体积而言，它计算的是两个体积的重叠部分占总体积的百分比。DSC值保持在0和1之间，1表示两靶区体积完全重叠，0表示靶区体积不相交。然而DSC对于图像的细节不敏感，其数值无法体现小区域内的明显分割误差[15]，这使得添加其他评估标准加以辅助变得十分必要。HD是度量空间中任意两个非空点集合之间的距离，它计算一个组中每个点距离另一个组中每个点的最小值，并取其最大值[16]。假设A,B为空间中的两个非空点集，由A到B的HD定义如式（1）所示:

如图3所示，为同一测试例三个不同层面的医生勾画结果、FCN-8s勾画结果以及stacked FCN勾画结果的对比，层面1、层面2、层面3为同一测试例的三个不同层面的CT影像。结合表2、表3和图3的信息可知，对于体积较小的靶区来说，DSC和HD值的改变反映在每一层CT影像上的结果十分明显。通过利用眼球的形状、位置信息，stacked FCN使得勾画结果靠近边缘处形状更为接近医生手动勾画结果，相较于FCN-8s小区域的不良分割更少，靶区形状更为确定，勾画结果更为精确。本文研究结果表明，堆叠式神经网络通过利用靶区周围器官所能提供的定位信息，在现有神经网络的基础上，能够进一步增加靶区自动分割的精度。3 讨论

【参考文献】：
期刊论文
[1]影像分割中Dice系数和Hausdorff距离的比较[J]. 何奕松,蒋家良,余行,傅玉川.  中国医学物理学杂志. 2019(11)



本文编号：3421107