基于卷积神经网络模型乳腺癌靶区自动分割的研究

目的:分别基于生物图像分割体系结构U-net和V-net的卷积神经网络模型训练乳腺癌靶区,并评价其临床适用性和准确性。方法:选取医院收治的60例左侧乳腺癌保乳术后患者,按照随机数表法将其分为模型组和测试组,每组30例。所有患者的CT图像数据集均由同1位放射治疗医师参照肿瘤放射治疗协作组织(RTOG)标准勾画临床靶区(CTV),并由经验丰富的高级职称医师二次审查。模型组患者分别基于U-net和V-net的卷积神经网络两种模型训练CTV;测试组患者的CT影像用于测试两种模型CTV自动分割的准确性。采用配对t检验分析比较两种模型分割的形状Dice相似性系数(DSC)、豪斯多夫距离(HD)及平均最小距离(MDA)。结果:基于U-net模型自动分割的乳腺癌靶区的DSC值(0.918)大于基于V-net模型分割的DSC(0.899),且差异有统计学意义(t=5.883,P<0.001)。两种模型分割的乳腺癌靶区的HD分别为18.360 mm、20.408 mm,差异有统计学意义(t=-1.800,P<0.05)。两种模型勾画结果的MDA分别为1.393 mm、1.815 mm,差异有统计学意义(t=-5.354,P<0.001)。结论:两种自动分割模型的结果均能满足临床应用需要,可提高医师的工作效率以及靶区勾画的一致性。基于U-net训练的左侧乳腺癌保乳靶区勾画模型更加接近医师的勾画,更准确地实现了CTV的自动勾画。