基于深度学习的宫颈癌放疗靶区及危及器官自动勾画研究

目的:构建基于深度学习(deep learning,DL)的卷积神经网络模型,实现宫颈癌患者放射治疗计划的临床靶区体积(clinical target volume,CTV)和危及器官(organ at risks,OARs)自动勾画.方法:回顾性分析在福建省肿瘤医院行放射治疗的宫颈癌患者99例.对患者CT图像进行预处理,作为模型输入.设计一种基于DL的自动勾画模型,使用组合损失函数训练该模型.以医师手动勾画为度量标准,计算DL自动勾画模型下CTV靶区和膀胱、直肠、乙状结肠、左右骨髓、左右股骨头的准确率,并与基于图谱的自动勾画方法(atlas-based auto segmentation,ABAS)相比较.结果:DL模型在CTV靶区和7种危及器官(膀胱、直肠、乙状结肠、左右骨髓、左右股骨头)的戴斯系数分别为(0.85±0.02、0.94±0.04、0.87±0.03、0.67±0.14、0.85±0.03、0.87±0.03、0.87±0.06和0.87±0.06),95％豪斯多夫距离(mm)分别为(3.22±0.56、1.37±0.37、1.41±0.34、27.39±35.63、1.40±0.17、1.36±0.22、6.78±7.89和6.45±7.44),平均表面距离(mm)分别为(0.25±0.05、0.12±0.06、0.19±0.05、2.29±2.71、0.16±0.04、0.15±0.03、0.36±0.33和0.38±0.37).DL勾画模型的戴斯系数均高于ABAS勾画模型.除乙状结肠外,DL勾画模型的95％豪斯多夫距离和平均表面距离均小于ABAS勾画模型.结论:提出的DL模型能较好地实现宫颈癌放疗临床靶区和危及器官的自动勾画,可为临床医师勾画提供初步参考,节省临床靶区和危及器官勾画的时间.