鼻咽癌自适应放疗中应用RegGAN模型将锥形束CT图像转换为伪CT图像的可行性

目的探究在鼻咽癌自适应放疗中,应用基于配准对抗神经网络的RegGAN模型将锥形束CT(CBCT)图像转换为伪CT图像的可行性。方法回顾60例鼻咽癌患者第1次用于图像引导放疗的CBCT图像和计划CT图像,其中47例作为训练集,13例作为测试集。建立基于配准对抗神经网络的RegGAN模型,将CBCT图像转换为伪CT图像。选用Pix2Pix模型和Cycle-consistency模型作为参考模型,在相同训练集上进行模型训练后使用测试集进行图像转换。比较利用3种模型转换的伪CT图像的平均绝对误差(MAE)、峰值信噪比(PSNR)和结构相似性(SSIM)。结果在测试集上应用RegGAN模型转换的伪CT图像具有更多的纹理信息。与Pix2Pix模型和Cycle-consistency模型相比,应用RegGAN模型转换的伪CT图像的MAE最小,PSNR和SSIM最大(均P<0.05)。结论采用RegGAN模型从CBCT图像转换而来的伪CT图像具有较高的图像质量,可以作为鼻咽癌自适应放疗的参考图像。

基于U-Net的自动分割方法对乳腺癌危及器官的自动勾画

目的训练和评价一种基于U-Net的自动分割方法对乳腺癌危及器官(Organs at Risks,OARs)的勾画。方法实验选取140例乳腺肿瘤病例,其中120例作为训练集,用于建立基于U-Net自动勾画模型,其余20例作为测试集,用于测试自动勾画方法的勾画准确性,采用戴斯相似系数(Dice Similarity Coefficient,DSC)及平均最小距离(Mean Distance to Agreement,MDA)对所训练的自动勾画模型的勾画结果进行评估,并与有相同训练集及测试集的基于atlas的自动勾画方法进行比较。结果基于U-Net的自动勾画模型比基于atlas的自动勾画方法所勾画的OARs的DSC均值均高;且基于U-Net的自动勾画模型勾画的OARs的MDA均值较后者均低。两种自动勾画方法在双侧肺、健侧乳腺及心脏的DSC值差异以及在左肺、健侧乳腺及心脏的MDA值差异均具有统计学意义(P<0.05)。结论基于U-Net的自动勾画模型在乳腺癌危及器官勾画中具有较好的勾画效果,且其勾画准确性较基于atlas的自动勾画方法的高。

基于多模态图像深度学习局部晚期鼻咽癌肿瘤靶体积自动勾画的研究

目的:随着人工智能的发展,深度学习在放疗肿瘤靶体积自动勾画中的应用日益受到关注。由于T3~4期鼻咽癌的肿瘤表型变异性较大,并且在CT图像上表现为较低的软组织对比度,从而导致勾画肿瘤靶体积的信心受限。本研究基于多模态图像深度学习对T3~4期鼻咽癌大体肿瘤体积(gross tumor volume of nasopharyngeal carcinoma,GTVnx)进行自动勾画,以期提高靶区勾画的精度和效率。方法:回顾性收集T3~4期鼻咽癌患者的CT、MRI(脂肪抑制T2加权和增强T1加权)和PET-CT图像。将多模态图像输入Multi-Encoder U-net进行多组模型训练和测试。采用dice相似系数(dice similarity coefficient,DSC)和HD95定量分析GTVnx的自动勾画结果。结果:对比不同策略模块的试验结果,显示‘Cross-Y’S Net多模态图像深度学习网络自动勾画测试结果最佳,DSC为0.665±0.045,HD95为5.17±3.34。结论:基于多模态图像CT、MRI和PET-CT提供的优势互补信息进行深度学习,在定位CT图像上完成鼻咽癌放疗肿瘤靶体积的自动勾画,有望提高靶区勾画的精度和效率,增强临床应用的信心。随着人工智能和影像学技术的不断发展,未来会更好地适应肿瘤放疗的需求。

增强轮廓约束的自动分割模型在乳腺癌术后放疗中的应用研究

目的构建端到端深度学习研究平台,实现乳腺癌改良根治术后胸壁临床靶体积(CTV)和危及器官(OAR)自动分割模型训练,并通过轮廓约束以改进损失函数来提高模型的分割精度。方法入组2018-01-16-2020-07-29北京大学人民医院(115例)和烟台毓璜顶医院(58例)左侧乳腺癌改良根治术后患者,前者随机分为70例训练集、5例验证集、40例测试集(A组),后者58例全部作为外部测试集(B组)。针对常规的戴斯损失函数(Dice Loss)未对轮廓进行约束的问题,本研究创新性设计了增强轮廓正则化约束的损失函数(CURC Loss)。分别进行了损失函数对比实验和训练集规模实验,使用戴斯相似性系数(DSC)和豪斯多夫距离(HD)来评估模型的分割效果,以及配对样本t检验以验证统计差异性。结果在测试集A组中,Dice Loss模型和CURC Loss模型的平均表现分别为0.87/6.43 mm和0.9/5.55 mm(DSC/HD),后者在CTV、心脏等器官相比于前者具有显著性优势。在测试集B组中,两者的平均表现为0.85/7.42和0.89/5.65 mm(DSC/HD),后者在CTV、心脏、右肺和食管的分割精度上相比前者有统计学意义的提升,P<0.05。此外,CURC Loss模型在仅使用10例训练数据的条件下,在测试集A组中和使用70例数据训练的分割精度相近,使用40例训练数据能在测试集B组中达到和70例训练集相近的分割精度。结论本研究针对乳腺癌改良根治术后的自动分割任务提出了CURC Loss,相比于Dice Loss,能够使深度学习模型的分割精度有明显提升,且在外部测试集上的表现更加稳定。同时,CURC Loss能够在较少的训练数据量的情况下达到较高的精度。