發(fā)布時間：2021-02-13 21:49

　　目的:基于U-net卷積神經網絡的深度學習方法,探討宮頸癌放療臨床靶區(qū)和危及器官自動勾畫的可行性。方法:利用U-net卷積神經網絡模型搭建的端到端自動分割框架,以100例已進行IMRT治療的宮頸癌患者CT及組織結構信息為研究對象,并隨機選取其中的10例作為測試集。勾畫的對象包括臨床靶區(qū)（CTV）、膀胱、直腸和左、右股骨頭5個部分,比較手動和自動勾畫的戴斯相似性系數（DSC）和豪斯多夫距離（HD）以評估自動勾畫模型的準確性。結果:4種危及器官自動勾畫的DSC值都在0.833以上,平均值是0.898;HD值均在8.3 mm以內,平均值為5.3 mm;臨床靶區(qū)DSC值是0.860,HD值為13.9 mm。結論:基于U-net卷積神經網絡建立的自動勾畫模型能較為準確地實現宮頸癌臨床靶區(qū)和危及器官的自動勾畫,臨床應用中可大幅提高醫(yī)生的工作效率及勾畫的一致性。 

【文章來源】：中國醫(yī)學物理學雜志. 2020,37(04)

【文章頁數】：5 頁

【文章目錄】：
前言
1 材料與方法
    1.1 實驗數據
    1.2 網絡搭建及勾畫流程
    1.3 模型訓練
    1.4 評估方法
2 結果
    2.1 模型訓練結果
    2.2 自動勾畫結果
3 討論


【參考文獻】：
期刊論文
[1]基于深度學習的醫(yī)學影像診斷綜述[J]. 張巧麗,趙地,遲學斌.  計算機科學. 2017(S2)
[2]基于增強AlexNet的深度學習的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學斌.  計算機科學. 2017(S1)
[3]鼻咽癌靶區(qū)的自動勾畫評價[J]. 吳昕,劉磊,肖江洪,張恒麗,段寶鳳,羅勇,楊莉,李平.  四川醫(yī)學. 2015(06)

碩士論文
[1]基于深度學習的肺結節(jié)識別與檢測研究[D]. 張金.西南大學 2018
[2]基于深度學習的眼底微動脈瘤檢測與識別的研究[D]. 陳建立.電子科技大學 2018



本文編號：3032621