论文部分内容阅读
目的:基于U-Net卷积神经网络模型探讨宫颈癌放疗临床靶区和危及器官自动勾画的可行性;通过对U-Net卷积模型的改进实现对较为复杂软组织胰腺的自动勾画。方法:研究1:以Tensorflow为后端的Keras框架搭建2DU-Net网络模型实现分割,完成宫颈癌靶区和危及器官的自动勾画。该模型是一个端到端的模型,包含有上采样和下采样两个部分,通过下采样进行特征提取,下采样结束,特征通道数翻倍,图像尺寸减半。上采样还原特征信息,通过跳跃链接将下采样特征拼接到上采样输入层,实现图像分割。本研究数据包含100例已进行调强放射治疗(Intensity Modulated Radiation Therapy,IMRT)的宫颈癌患者的CT及组织结构图像。病例收集时剔除CT拍摄部位有非人体正常组织部分的患者,例如避孕环,假肢,股骨头替代物等,同时也去除CT图像伪影较重的病例。在100例病例中随机选取其中的10例作为测试集,20例为验证集,70例为训练集。自动勾画的对象包括临床靶区(Clinical Target Volume,CTV)、膀胱、直肠和左、右股骨头五个部分。评估结果的量化指标为戴斯相似性系数(Dice Similarity Coefficient,DSC)和豪斯多夫距离(Hausdorff Distance,HD),通过计算手动和自动勾画的戴斯相似性系数和豪斯多夫距离以评估自动勾画模型的准确性。研究2:由于胰腺形状不规则,且电子密度值与周围器官相似,因此以现有的模型对胰腺的自动分的结果并不理想。本研究通过改进原U-Net卷积模型以提高胰腺自动勾画的准确程度。研究病例是100例已经接受IMRT治疗的宫颈癌和直肠癌患者,病例纳入标准为患者CT中包含有完整胰腺,且为增强CT图像。数据随机选取70例作为训练数据,20例作为验证集,10例为测试集。模型改进是通过对原U-Net卷积模块进行了改进,以四通道卷积层替代原有的卷积层,通过四种不同大小的感受野提取不同尺寸特征信息。为了排除无关的信息干扰,在预处理中对原有的图像尺寸进行处理,并以身体轮廓为中心对图像进行裁剪,提取患者身体轮廓。在后处理中,计算了轮廓的大小,并且通过统计目标轮廓的大小,与噪声点轮廓大小进行比较,去除较小的轮廓。另外,研究搭建U-Net卷积模型并进行了训练作为对比。结果的衡量指标分别为DSC,JSC(Jaccard Similarity Coefficient),ASD(Average Surface Distance)和HD。结果:研究1:4个危及器官自动勾画结果的DSC值都在0.833以上,平均值是0.898;HD值均在8.3mm以内,平均值为5.3mm。临床靶区DSC值是0.860,HD值为13.9mm;膀胱DSC是0.915,HD是8.3mm;左右股骨头DSC分别为0.918和0.927,HD分别为4.0mm和3.7mm;直肠DSC为0.833,HD为5.3mm。研究2:胰腺自动勾画结果的DSC为0.870,而原U-Net的结果是0.823,同比提高了0.047;自动勾画的JSC为0.778,相比原U-Net的结果提高了0.053;自动勾画的ASD为1.6mm,相比原U-Net的3.1mm,降低了1.5mm;自动勾画的HD为10.0mm,与相比原U-Net的24.7mm,降低了14.7mm。结论:基于U-Net卷积神经网络建立的自动勾画模型能较为准确地实现宫颈癌临床靶区和危及器官的自动勾画,临床应用中可大幅提高医生的工作效率及勾画的一致性。利用改进的U-Net模型对胰腺的勾画研究结果表明,相比于U-Ne网络结构,改进的模型可以提高胰腺的勾画的准确率。