-
题名基于生成对抗网络的鼻咽癌靶区自动勾画研究
- 1
-
-
作者
王菲
任才俊
周解平
陶振超
陈欢欢
钱立庭
-
机构
中国科学技术大学生命科学与医学部附属第一医院
中国科学技术大学计算机科学与技术学院
中国科学技术大学生命科学与医学部附属第一医院放疗科
-
出处
《中华放射肿瘤学杂志》
CSCD
北大核心
2022年第12期1127-1132,共6页
-
基金
合肥市科技局“借转补”基金(J2020Y01)
中国科学技术大学附属第一医院医学人工智能联合基金(MAI2022Q009)
中国科学技术大学双创基金(WK5290000003)。
-
文摘
目的评估基于一种深度学习网络模型2D-PE-GAN的鼻咽癌靶区自动勾画模型, 对靶区勾画的工作效率的提高作用。方法模型采用生成对抗网络的架构, 生成器采用UNet相似结构, 并在生成器的每一层卷积操作后添加2D-PE-block, 提升勾画准确度。实验数据使用130例鼻咽癌CT图像, 模型训练前对图像进行预处理, 通过对比UNet、GAN, 以及添加注意力机制的GAN三种模型, 使用Dice系数、豪斯多夫距离、准确率、马修斯相关系数、杰卡德距离, 说明提出模型的有效性。结果相比于UNet、GAN、加入注意力机制的GAN, 2D-PE-GAN网络分割CTV的Dice系数平均值提高了26%、4%、2%, 分割GTV的Dice系数平均值提高21%、4%、2%。相比于加入注意力机制的GAN, 2D-PE-GAN的参数和时间分别减少了0.16%、18%。结论与UNet、GAN、加入注意力机制的GAN三种模型相比, 2D-PE-GAN用于鼻咽癌靶区勾画, 分割准确度均有所提升, 同时, 与提出原因相似的注意力机制相比, 使用2D-PE-GAN在分割准确度相差不大的情况下, 能减少计算资源的占用。
-
关键词
深度学习
鼻咽肿瘤
靶区
自动勾画
-
Keywords
Deep learning
Nasopharyngeal carcinoma
Target area
Automatic delineation
-
分类号
R739.63
[医药卫生—肿瘤]
-