论文部分内容阅读
目的:设计一种基于深度学习的自动勾画模型,用于勾画头颈部危及器官(OARs),并与基于图谱方法的Smart segmentation勾画软件进行比较。方法:自动勾画模型由基于深度学习神经网络的分类模型和勾画模型组成。分类模型将CT图像从头脚方向分为6个分类,将每个OARs对应分类的CT图像输入勾画模型进行分割勾画。自动勾画模型使用150例病例训练模型,Smart segmentation使用相同的150例病例组成图谱库,两者同时对20例测试集进行勾画。使用相似度系数(DSC)和豪斯多夫距离(HD)评估2种方法勾画准确性,同时记录两种方法勾画花费时间。根据数据是否满足正态分布,分别使用配对n t检验和Wilcoxon符号秩和检验。n 结果:自动勾画模型的DSC和HD结果如下:脑干为0.88和4.41 mm、左眼球为0.89和2.00 mm、右眼球为0.89和2.12 mm、左视神经为0.70和3.00 mm、右视神经为0.80和2.24 mm、左颞叶为0.81和7.98 mm、右颞叶为0.84和8.82 mm、下颌骨为0.89和5.57 mm、左腮腺为0.70和11.92 mm和右腮腺为0.77和11.27 mm。除腮腺外,自动勾画模型勾画结果均优于Smart segmentation,差异有统计学意义(n t=3.115~7.915,n Z=-1.352~-3.921,n P<0.05)。同时,自动勾画模型速度比Smart segmentation提高了51.28%。n 结论:利用深度学习方法建立了自动勾画头颈部OARs的模型,得到较准确结果,勾画精度和速度均优于Smart segmentation软件。