文摘目的评估3种深度学习(DL)算法在子宫内膜癌(EC)术后患者高剂量率近距离放射治疗(high-dose-rate brachytherapy,HDR BT)中,自动分割临床靶区(CTV)的应用结果。方法数据集由306名子宫内膜癌术后患者的计算机断层扫描(CT)图像组成,按比例分为训练集(246例)、验证集(30例)和测试集(30例)。比较3种深度卷积神经网络模型(3D U-Net、3D Res U-Net和V-Net)在CTV分割上的性能。采用定量指标分别为戴斯相似性系数(DSC)、豪斯多夫距离(HD)、豪斯多夫距离第95百分位数(HD95%)和交并比(IoU)。结果在测试阶段中,3D U-Net、3D Res U-Net和V-Net分割CTV得到的DSC平均值分别为0.90±0.07、0.95±0.06和0.95±0.06;HD平均值(mm)分别为2.51±1.70、0.96±1.01和0.98±0.95;HD95%平均值(mm)分别为1.33±1.02、0.65±0.91和0.40±0.72,IoU平均值分别为0.85±0.11、0.91±0.09和0.92±0.09。其中,V-Net分割结果与高级临床医生勾画结果更接近,CTV的分割时间<3.2 s,节省了临床医生的工作时间。结论V-Net在CTV分割方面表现最佳,定量指标和临床评估均优于其他模型。该方法与基准真实值高度一致,有效减少医生间差异,缩短治疗时间。