目的:擬分析基于不同醫(yī)院數(shù)據(jù)的心臟自動勾畫模型在臨床應用中的適用性及其改進方法。方法:首先,建立基于U-net和Inception模塊的心臟自動勾畫網(wǎng)絡。其次,收集不同治療中心的患者數(shù)據(jù):中國科學技術(shù)大學附屬第一醫(yī)院65例（數(shù)據(jù)1）、MICCAI2019比賽數(shù)據(jù)50例（數(shù)據(jù)2）、數(shù)據(jù)1和2的混合數(shù)據(jù)（數(shù)據(jù)3）、鄭州大學第一附屬醫(yī)院50例（數(shù)據(jù)4）和鄭州大學第一附屬醫(yī)院100例（數(shù)據(jù)5）,分別訓練得到模型1～5。然后,以鄭州大學第一附屬醫(yī)院59例患者作為測試集,使用形狀相似性系數(shù)（DSC）評估該測試集在不同模型上的分割精度,比較模型之間的差別。最后,將模型3作為心臟預訓練模型,采用數(shù)據(jù)5進行模型再訓練,分別測試3組實驗（20例/次×5次、10例/次×10次、5例/次×20次）對心臟預訓練模型的改進情況。結(jié)果:測試集在模型1～5中的平均DSC為0.926、0.932、0.939、0.941和0.950。在再訓練過程中,模型在20例/次×5次的實驗中表現(xiàn)更穩(wěn)定。結(jié)論:基于不同醫(yī)院的數(shù)據(jù)訓練模型在心臟自動勾畫的臨床應用上表現(xiàn)存在差異,使用本地醫(yī)院數(shù)據(jù)進行訓練的模型預測精度更高。對于非本地數(shù)據(jù)訓... 

【文章來源】：中國醫(yī)學物理學雜志. 2020,37(10)

【文章頁數(shù)】：6 頁

【部分圖文】：

CT分類網(wǎng)絡模型結(jié)構(gòu)

圖1 CT分類網(wǎng)絡模型結(jié)構(gòu)為了改進模型在不同醫(yī)院臨床應用時表現(xiàn)有一定差異的問題，本研究使用一定數(shù)量的本地數(shù)據(jù)對心臟的預訓練模型進行再訓練，觀察預訓練模型在臨床應用中的改善情況。將模型3作為預訓練模型，然后將訓練數(shù)據(jù)5作為本地數(shù)據(jù)，進行模型的臨床應用改進。在實驗過程中，考慮到使用本地數(shù)據(jù)每次再訓練使用的病例數(shù)不同，可能會對模型的收斂速度和預測精度造成影響，所以本研究將100例患者的再訓練數(shù)據(jù)分3組：第一組每次再訓練采用20例，共進行5次；第二組每次再訓練采用10例，共進行10次；第三組每次再訓練采用5例，共進行20次。再訓練過程中，loss函數(shù)、模型訓練的迭代次數(shù)均與之前保持一致，分別計算每次更新訓練模型后在測試集上的DSC。

從表2和圖3可以看到，模型1～5在測試集上的結(jié)果存在一定的差異，從DSC的比較結(jié)果來看，模型5>模型4>模型3>模型2>模型1，基于鄭州大學第一附屬醫(yī)院的100例患者數(shù)據(jù)訓練得到的模型效果最好。模型2得到的DSC低于模型5得到的DSC，并且兩者存在顯著性差別（P<0.05）。模型3得到的DSC高于模型1和模型2，模型5得到的DSC高于模型4，說明訓練數(shù)據(jù)量的增多可以提高模型的精度。

【參考文獻】：
期刊論文
[1]基于3D深度殘差全卷積網(wǎng)絡的頭頸CT放療危及器官自動勾畫[J]. 田娟秀,劉國才,谷珊珊,顧冬冬,龔軍輝.  中國生物醫(yī)學工程學報. 2019(03)
[2]自動勾畫技術(shù)在前列腺癌自適應放射治療中的臨床應用研究[J]. 崔志強,邱杰,楊波,劉峽,龐廷田,劉楠,于浪,李文博,董婷婷,汪之群,王貝.  中國醫(yī)學裝備. 2019(04)
[3]深度卷積神經(jīng)網(wǎng)絡在放射治療計劃圖像分割中的應用[J]. 鄧金城,彭應林,劉常春,陳子杰,雷國勝,吳江華,張廣順,鄧小武.  中國醫(yī)學物理學雜志. 2018(06)
[4]利用深度反卷積神經(jīng)網(wǎng)絡自動勾畫放療危及器官[J]. 門闊,戴建榮.  中國醫(yī)學物理學雜志. 2018(03)

碩士論文
[1]基于Inception模塊的醫(yī)療圖像分類[D]. 王巍.吉林大學 2018



本文編號：3021453