深度卷积神经网络在放射治疗计划图像分割中的应用

目的:结合全卷积神经网络(Fully Convolutional Network,FCN)和多孔卷积(Atrous Convolution,AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画。方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集。选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network,D-FCN)。分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的最佳分割模型,最后使用测试集图像对充分训练后获取的最佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力。结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有最佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%。结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割。

基于Hessian矩阵及余弦定理的肝门静脉血管检测

目的:提出一种基于Hessian矩阵及余弦定理的血管检测方法,改善肝门静脉血管检测效果。方法:充分考虑肝脏内肝门静脉CT图像的灰度及结构特点,首先利用肝脏图像的低灰度阈值对CT图像进行预处理,然后提出由余弦定理构造新的血管相似性函数,并计算多尺度的函数响应值,最后利用肝门静脉图像的低灰度阈值和连通域提取方法提取最大连通域。结果:该方法能有效地检测肝门静脉血管,检测结果与IRCADb数据集中专家的人工分割结果更接近。结论:基于Hessian矩阵及余弦定理的肝门静脉血管检测方法为后续的分割和三维重建奠定了良好的基础。

关于软件企业纳税筹划的几点思考

软件企业对自身的纳税活动开展有效的筹划,往往可以获得可观的纳税收入。企业要仔细的研读国家与地方相关的纳税法规以及细则,必须要充分的认识到纳税筹划行为的重要性,不仅要有效吸取其他企业在纳税过程中所积累的经验,而且要针对具体的纳税行为开展税收筹划活动,从而为企业赢得纳税收入,推动其可持续发展。

中国放疗供给侧现状与智能化远程技术研究进展

癌症严重危害人类健康。放疗是仅次于手术的癌症重要治疗手段,我国每年新发癌症病例中有一半需要放疗的患者因各种原因未得到放疗,对癌症5年生存率的负面影响不容忽视。中国放疗需求与可及性失衡存在人才缺乏、设备不足、资源分配不均、认识不到位、服务水平参差不齐等影响因素。"互联网+"、"物联网+"、人工智能等新理念和新技术正在迅速进入放疗领域,是改善放疗供给侧失衡的有效手段。全文从放疗供给侧现状出发,阐述了放疗供给侧改革的必要性,探索通过智能化远程放疗来解决我国放疗发展不平衡和不充分的矛盾,造福癌症患者。

胸部肿瘤适形和调强常规分割放疗脊髓生物效应剂量研究

目的探讨对常规分割模式下胸部肿瘤适形和调强放疗技术进行脊髓生物效应剂量(BED)评估的必要性和可行性。方法选取2016年5月16日至2016年12月31日于唐山市人民医院放化疗科收治的胸部肿瘤患者30例,应用医诺RTIS治疗计划评估模块对所有患者的治疗计划进行评估,并进行物理剂量(PhD)和BED的比较。依据线性二次方程(L-Q模型)计算2.0Gy照射1次和30次时脊髓在不同剂量曲线的PhD和RED。组间比较采用t检验。结果脊髓的RED曲线位于PhD曲线左侧,计划靶体积(PTV)的BED曲线位于PhD曲线右侧。30例患者的治疗计划中,脊髓的最小、最大、平均PhD与BED分别为(80.41±274.75)、(3398.00±1200.95)、(1265.79±762.49)cGy和(74.71±249.34)、(3118.93±1181.96)、(1181.44±742.18)cGy,差异均有统计学意义(t=0.826、6.143、5.234,P<0.05);PTV的最小、最大、平均PhD和BED分别为(3615.51±1566.10)、(5505.26±1731.64)、(4984.33±1615.59)cGy和(3500.97±1576.92)、(5672.93±1791.98)、(5047.63±1646.57)cGy,差异均无统计学意义(t=6.953、-2.164、-1.193,均P>0.05)。随着剂量曲线的下降,PhD和BED也随之降低,而且相应剂量曲线的BED较PhD更低。结论从增强靶区控制和脊髓保护的角度,胸部肿瘤精确常规分割放疗有必要进行脊髓的BED评估。

基于3D残差U-Net的放射治疗剂量分布预测

[目的]针对放射治疗中剂量分布预测结果精度低的问题,提出一种基于深度学习技术的肿瘤放疗三维剂量分布预测模型。[方法]选择130例宫颈癌患者数据,包括CT影像和靶区文件。通过基于卷积神经网络和残差块的深度学习U-Net模型,用于自动提取调强放疗放疗计划的CT影像、靶区和危及器官解剖结构群的多尺度和多层次特征图并进行三维剂量分布预测。采用定量分析方法,包括实际剂量与预测值之间的误差包括最大剂量(Dmax)、平均剂量(Dmean)、D99、D98、PTV56、PTV63和PTV70等。[结果]对于宫颈癌,根据检测结果绘制剂量-体积直方图,直接反映了真实剂量与预测剂量的差异,实际误差满足基本要求。[结论]通过深度学习模型的训练回归,拟合了调强放疗计划特征图参数与三维剂量分布之间的复杂非线性函数关系。在实际临床应用中,该训练模型可以准确预测新患者的个性化三维剂量分布。