论文部分内容阅读
基于深度学习下的U-Net神经网络,构建具有高精度以及高效率的头颈部危及器官自动分割框架,实现头颈部危及器官的自动分割。本研究选取于福建省肿瘤医院行放射治疗的200例头颈部肿瘤患者的CT影像资料,由一位有经验的放疗医师按照福建省肿瘤医院危及器官勾画标准对每一例病例CT中的危及器官(体表、脑干、脊髓、左右眼球、左右晶体、左右下颌骨、左右颞叶)进行勾画。勾画完成后,提取每一例病例中的危及器官轮廓标签以及对应的原始CT图像,按照器官种类不同分别以图片格式保存为各个器官的数据集。首先对数据集中的图像数据进行预处理,预处理操作主要包括对CT以及标签图像的裁剪以及调色等,从而使训练数据符合神经网络训练要求,然后随机选取其中180例作为训练数据集,剩余20例则作为测试数据集。接着构建基于U-Net的自动分割神经网络模型,并将各危及器官的训练集(包含轮廓标签与对应CT图像)与测试集(只包含CT图像)逐一输入神经网络进行训练与参数调整,然后输出测试集中CT自动分割的预测轮廓图形并保存训练模型。再对输出的预测结果进行包括二值化和开闭运算以及轮廓提取等后处理,从而得到测试集中各危及器官的轮廓。最后计算由自动分割所得到的轮廓图形与手动勾画的轮廓图形的Dice系数以及Hausdorff距离,将本研究的指标数据与相关文献中的数据进行对比,以评估本研究自动分割模型性能,从而判断本研究的自动分割方法是否具有临床可行性。本研究结果显示,20例测试病例的头颈部危及器官自动分割精度与手工勾画相当,各危及器官(体表、脑干、脊髓、左眼球、右眼球、左晶状体、右晶状体、左下颌骨、右下颌骨、左颞叶、右颞叶)的Dice指数为0.95±0.02、0.86±0.02、0.87±0.03、0.85±0.02、0.86±0.02、0.80±0.03、0.81±0.02、0.88±0.02、0.89±0.01、0.70±0.03、0.71±0.02,Hausdorff距离为2.8±0.9mm、3.9±1.5mm、3.8±1.3mm、4.1±1.2mm、4.2±1.1mm、4.5±1.3mm、4.4±1.5mm、3.7±1.3mm、3.6±1.2mm、5.9±1.8mm、5.5±1.6mm。经与其他文献数据比较发现,除去左右颞叶的Dice指数较低,其余各危及器官的自动分割精度均与这些文献中十分相似。同时,自动分割程序对每张CT进行自动分割的平均用时为78.27±12.36毫秒,完整分割一例头颈部危及器官的平均用时为18.6±2.1秒,具有很高的分割效率。研究表明,相较于手工勾画危及器官,本研究的自动分割程序不仅保证了对头颈部危及器官的高精度分割,而且显著缩短了人工时间,减轻了医师工作负担。因此可以说明基于U-Net神经网络的头颈部危及器官的自动分割程序具有临床可行性。