基于Web的剂量体积直方图数据自动提取工具开发及验证

目的:开发并测试一套基于Web的剂量体积直方图(DVH)数据自动提取工具。方法:(1)采用Django应用框架和Python编程语言,设计一套基于Web的DVH数据自动提取工具。(2)利用自动工具分析从Eclipse计划系统中导出的30例相同类型计划的DVH表单数据,并采用人工方法读取DVH图中的相应参数作为对比,分析其耗时、准确性等方面的表现及误差产生原因。结果:自动提取DVH数据的效率远高于人工分析,且正确率更有保障。对于计划靶区体积的均匀性指数、股骨头和膀胱D_(50%)和平均剂量等参数,自动与人工提取的差异极小(误差≤0.01%,P>0.05)。但对于适形指数(CI)值的计算,由于计划系统空间采样算法的原因使得基于等剂量线结构转换测量以及DVH表单数据分析之间的结果存在较大差异[CI_PGTV平均相差(2.60±1.04)%,CI_PTV平均相差(0.66±0.29)%,P<0.001],但Web工具采用的DVH分析结果更加接近Eclipse自动生成的CI值,且有效避免了后者一次只能计算一个CI值的缺陷。结论:本工作开发的基于Web的工具可以对海量DVH数据进行高效、准确的自动统计,且具有跨平台应用等优势。

基于密集全连接卷积网络的宫颈癌患者CTV自动预勾画

使用在小样本中特征学习效果理想的密集全连接卷积网络基于CT图像对宫颈癌患者CTV进行自动预勾画,并评估效果。研究随机选取勾画范围相近的IB期和IIA期宫颈癌术后患者CT数据,从勾画相似度、轮廓偏移程度和勾画体积差异程度三个方面评估预勾画精度。经验证,8项最具代表性的参数结果优于单一网络勾画结果,并优于国际报道。Dense V-Net可较为准确地实现宫颈癌患者CTV预勾画,经医生审查简单修改,可用于临床。

基于融合卷积神经网络的术后宫颈癌靶区及危及器官自动勾画

基于CT图像的器官分割对于放疗治疗计划至关重要,制定放射治疗计划前需要对危及器官和靶区进行勾画,这既费力又费时,该研究提出了一种基于融合卷积神经网络的全自动分割方法来提高医生勾画危及器官和靶区的工作效率。选取170例术后宫颈癌IB期和IIA期患者的CT图像进行膀胱、直肠、左右股骨头和肿瘤靶区(CTV)的网络训练和自动勾画,并利用神经网络对靶区周围易于分辨的血管进行定位,实现对CTV更精准的勾画。

基于有限训练样本的融合网络模型用于盆腔危及器官自动分割的研究

将深度学习应用到医学影像中危及器官自动分割领域时,为解决训练样本不足时三维卷积神经网络优化出现的退化、梯度消失等问题,本研究将Dense Net与V-Net两个网络模型进行融合,开发一种用于三维计算机断层扫描(CT)图像自动分割的Dense V-Network算法,勾画女性盆腔危及器官。采用戴斯相似性系数(DSC)、豪斯多夫距离(HD)、杰卡德距离(JD)三个参数来定量评估分割效果。结果显示膀胱、小肠、直肠、股骨头和脊髓自动分割的DSC值均在0.87以上(平均值是0.9);JD值均在2.3以内(平均值是0.18);除小肠外,HD值均在0.9 cm以内(平均值是0.62 cm)。经验证,Dense V-Network网络可精准地勾画盆腔危及器官。

基于Dense V-Network神经网络的女性肠道自动分割研究

目的用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法将Dense Net与V-Net2个网络模型进行融合,形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数,测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61)cm、(2.40±0.45)mm、(4.13±1.74)mm,结果优于单一算法(均P<0.05)。结论Dense V-Network算法可较为准确地分割肠道器官,医生修改审查简单易行,可用于临床。