残差U-net与先验知识协同模型自动勾画宫颈癌术后临床靶区和危及器官
Residual U-net and prior knowledge collaboration model for automatic segmentation of clinical target volume and organ at risk after resection of cervical cancer作者机构：江苏大学附属医院放疗科江苏镇江212000
出 版 物：《中国医学影像技术》 (Chinese Journal of Medical Imaging Technology)
年 卷 期：2022年第38卷第9期
页 面：1380-1384页
核心收录：
学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 100602[医学-中西医结合临床]
基 金：江苏省卫生建委医学科研重点项目(ZDB2020022) 镇江市重点研发计划(社会发展)项目(SH2021040)
主 题：子宫颈肿瘤 体层摄影术,X线计算机 临床靶区 危及器官 残差
摘 要：目的搭建残差U-net(RU)网络与先验知识协同(RPKC)自动勾画模型,评估其自动勾画宫颈癌术后患者临床靶区(CTV)和危及器官(OAR)的准确性。方法基于48例(训练集)宫颈癌术后定位CT训练RPKC模型。以临床医师勾画的CTV及OAR为标准,采用戴斯相似系数(DSC)和第95百分位豪斯多夫距离(HD95)评估RPKC模型与RU模型勾画另20例宫颈癌术后患者(测试集)CTV及OAR(包括肠袋、直肠、膀胱、骨盆及双侧股骨头)的准确性。结果RPKC模型自动勾画上述结构的DSC均高于RU模型,其中CTV及肠袋勾画效果差异有统计学意义(P均0.05);除直肠外,RPKC模型自动勾画的HD95均低于RU模型,二者勾画CTV效果差异差异有统计学意义(P0.05)。结论RPKC模型能更准确地勾画宫颈癌术后CTV和OAR,有助于提高深度学习自动勾画的临床实用性。
维普期刊数据库
同方期刊数据库