深度学习对放疗影像进行盆腔肠管自动勾画的可行性研究
Feasibility study on automatic segmentation of pelvic intestinal tube for radiotherapy images based on deep learning作者机构:复旦大学附属中山医院放疗科上海200032 复旦大学附属中山医院检验科上海200032
出 版 物:《复旦学报(医学版)》 (Fudan University Journal of Medical Sciences)
年 卷 期:2024年第51卷第2期
页 面:243-248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)] 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)] 100106[医学-放射医学] 10[医学]
摘 要:目的研究基于深度学习对放疗影像进行盆腔肠管自动勾画的可行性。方法随机选取2019—2021年在复旦大学附属中山医院接受放疗的直肠癌患者100例,随机选取其中60例作为训练模型病例,另40例作为测试病例。以手动肠管勾画为标准,基于深度学习自动分割软件AccuContour中的原始小肠模型,分别在60个模型病例中随机选取60、40、20(2组)个病例训练肠管勾画,获得4个训练模型Rec60、Rec40、Rec20A和Rec20B。使用40例测试病例评估原始模型与Rec60模型的Dice相似性系数(Dice similarity coefficient,DSC)、95%Hausdorff距离(95%Hausdorff distance,HD95)和平均对称表面距离(average symmetric surface distance,ASSD),并分别评估5组自动勾画的DSC。使用SPSS软件对几何参数进行配对t检验。结果训练后的勾画更接近手动勾画的肠管,能够较好地分辨肠管边界,可区分小肠与结肠。Rec60的平均DSC、HD95和ASSD分别较原始模型高0.16(P0.001)、低12.4(P0.001)和低5.14(P0.001)。关于DSC,经配对t检验,4个训练模型与原始模型的差异均有统计学意义,Rec60与Rec40之间差异无统计学意义,Rec60和Rec40与Rec20A和Rec20B之间差异有统计学意义,Rec20A与Rec20B之间差异无统计学意义。结论对于放疗影像的自动勾画,模型训练能够有效提高肠管勾画的准确性。在AccuContour软件中40个及以上病例的训练集能够训练出盆腔肠管勾画的最优模型。