检索结果-南通市图书馆

基于深度学习与图谱库自动勾画前列腺癌危及器官的对比研究

在线全文

学校读者我要写书评

暂无评论

中华放射医学与防护杂志 2023年第6期43卷 435-439页

作者：向雪静罗媛媛李镰邓宇马晓洁川北医学院附属医院肿瘤科南充637000

目的比较基于深度学习的uPWS R15软件与基于图谱库的MIM-Maestro 6.9软件自动勾画前列腺癌危及器官的勾画效果,为临床应用提供参考依据。方法回顾性选取川北医学院附属医院肿瘤放疗科2018年至2022年收治的90例前列腺癌患者的CT资料。基... 详细信息

目的比较基于深度学习的uPWS R15软件与基于图谱库的MIM-Maestro 6.9软件自动勾画前列腺癌危及器官的勾画效果,为临床应用提供参考依据。方法回顾性选取川北医学院附属医院肿瘤放疗科2018年至2022年收治的90例前列腺癌患者的CT资料。基于上海联影医疗科技股份有限公司开发的uPWS R15软件与北京明维视景医疗软件有限公司开发的MIM-Maestro 6.9软件对危及器官进行自动勾画,根据勾画时间(T)、戴斯相似系数(DSC)、雅卡尔相似系数(JSC)、豪斯多夫距离(HD)及平均最小距离(MDA)5项参数指标,评价uPWS软件与MIM软件自动勾画危及器官的效果。结果uPWS软件的勾画时间小于MIM软件的勾画时间,两种软件勾画双侧股骨头、皮肤的效果差异无统计学意义(P>0.05),勾画右侧肾脏(tMDA=-3.43,zDSC=-4.03,zJSC=-4.16,P勾画膀胱(z=-7.88、-9.00、-8.17、-8.74,P自动勾画的DSC>0.7,而MIM软件自动勾画的DSC除了小肠和直肠外的其他危及器官均>0.7,且uPWS软件自动勾画危及器官(双侧股骨头、双侧肾脏、脊髓、膀胱、皮肤、直肠和小肠)的HD、MDA、JSC值均普遍优于MIM软件的勾画效果。结论uPWS软件的勾画效果优于MIM软件,但MIM软件经过修改小肠和直肠后也能满足临床使用,为放射治疗前的准备节省了大量的时间。

关键词：前列腺肿瘤深度学习自动勾画危及器官 X射线计算机体层摄影

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

在线全文

学校读者我要写书评

暂无评论

肿瘤 2023年第7期43卷 570-579页

作者：吴伯恒曹鸿斌马永康张炜唐剑敏许磊孙岚杨翠萍白永瑞閤谦上海交通大学医学院附属仁济医院放射诊疗科上海200127 Manteia数据科技有限公司福建厦门361000 上海交通大学医学院附属仁济医院核医学科上海200127 上海交通大学医学院分子医学研究院上海200127

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... 详细信息

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。

关键词：鼻咽癌放射治疗深度学习自动勾画多模态影像 Multi-Encoder U-net

前列腺癌术后放疗靶区自动勾画人工智能模型构建

在线全文

学校读者我要写书评

暂无评论

中华放射肿瘤学杂志 2023年第3期32卷 222-228页

作者：王芳苗栋沈亚丽陈哲彬姚宇王辛四川大学华西医院肿瘤中心腹部肿瘤科成都610041 中国科学院成都计算机应用研究所成都610044 中国科学院大学计算机科学与技术学院北京101408 四川大学华西医院肿瘤中心放疗科成都610041

目的探索基于卷积神经网络构建前列腺癌术后放疗临床靶区(CTV)及部分危及器官(OAR)自动勾画模型的方法,以提高临床工作效率和靶区勾画统一性。方法回顾性分析由一位放疗医师勾画的117例前列腺癌术后患者CT资料,基于3D UNet设计多分类自... 详细信息

目的探索基于卷积神经网络构建前列腺癌术后放疗临床靶区(CTV)及部分危及器官(OAR)自动勾画模型的方法,以提高临床工作效率和靶区勾画统一性。方法回顾性分析由一位放疗医师勾画的117例前列腺癌术后患者CT资料,基于3D UNet设计多分类自动勾画模型CVT-UNet,采用戴斯相似系数(DSC)、95分位豪斯多夫距离(95%HD)和平均表面距离(ASD)评估模型分割能力,比较另外两位医师对测试集自动勾画靶区评估结果的差异。再随机收集78例由其他医生治疗的患者进行模型外部验证,比较两位医师评价的差异。结果测试集前列腺瘤床区(CTV1)、盆腔淋巴结引流区(CTV2)、膀胱和直肠的平均DSC分别为0.74、0.82、0.94和0.79。临床评分显示:两位医师对CTV2和OAR的勾画达成了更多的共识;而对CTV1的勾画则共识较少,故评分差异较大。结论基于卷积神经网络构建用于术后前列腺癌CTV及相关OAR的自动勾画模型可行,但前列腺瘤床区的自动分割仍需改善。

关键词：前列腺肿瘤临床靶区危及器官人工智能自动勾画

基于U-Net结合改进算法对放疗危及器官自动勾画研究

在线全文

学校读者我要写书评

暂无评论

中国医学物理学杂志 2023年第3期40卷 303-312页

作者：吴传锋金鑫妍白司悦葛云周俊东胡睿陈颖王东燕南京医科大学附属苏州医院放疗科江苏苏州215000 南京大学电子科学与工程学院江苏南京210023

目的:面向放疗危及器官自动勾画构建基于U-Net的模型并针对肝脏分割构建3种改进模型。方法:采集共计184例肝癌患者和183例头部放疗患者的计算机断层扫描(CT)图像及组织结构信息,并结合公开数据集Sliver07用于模型的训练与评估。通过搭建... 详细信息

目的:面向放疗危及器官自动勾画构建基于U-Net的模型并针对肝脏分割构建3种改进模型。方法:采集共计184例肝癌患者和183例头部放疗患者的计算机断层扫描(CT)图像及组织结构信息,并结合公开数据集Sliver07用于模型的训练与评估。通过搭建U-Net模型并针对肝脏分割分别结合空洞卷积、SLIC超像素算法、区域生长算法进行训练并得到预测模型,利用预测模型对自动勾画结果进行预测。采用交并比(IoU)和平均交并比(MIoU)评价预测结果的精确性。结果:测试集头部放疗危及器官自动勾画预测结果MIoU为0.795~0.970,肝脏分割使用U-Net预测结果MIoU约为0.876,使用改进后模型预测结果MIoU约为0.888,并很好地约束了预测偏差较大结果的出现,使得测试样本中IoU结果小于0.8的数量占比从16.67%降至7.5%。直观勾画方面结合改进算法的模型比U-Net更能捕捉到复杂、混淆性的边界区域。结论:构建U-Net模型能够在头部放疗危及器官和肝脏自动勾画上表现良好,3种改进的模型能够在肝脏分割上具有更优的表现。

关键词：深度学习自动勾画肝脏危及器官 U-Net

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

在线全文

学校读者我要写书评

暂无评论

现代肿瘤医学 2022年第20期30卷 3759-3762页

作者：全科润柏朋刚陈文娟程品晶陈彦宇吴荣容夏小艺周益民陈济鸿南华大学核科学技术学院湖南衡阳421001 湘潭市中心医院放疗科湖南湘潭411100 福建省肿瘤医院放疗科福建福州350014

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... 详细信息

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。

关键词：深度学习宫颈癌放射治疗自动勾画

3D打印及自动勾画技术在妇科肿瘤术后阴道近距离治疗中的应用研究

在线全文

学校读者我要写书评

暂无评论

3D打印及自动勾画技术在妇科肿瘤术后阴道近距离治疗中的应用研究

作者：秦雪北京协和医学院

学位级别：硕士

3D打印个体化施源器在宫颈癌术后中央型复发患者近距离治疗中的疗效和安全性研究目的:腔内和(或)插植近距离技术是宫颈癌术后中央型盆腔复发患者的主要治疗手段之一,通常采用标准的商业柱状施源器/插植模板进行阴道近距离治疗。本研究... 详细信息

3D打印个体化施源器在宫颈癌术后中央型复发患者近距离治疗中的疗效和安全性研究目的:腔内和(或)插植近距离技术是宫颈癌术后中央型盆腔复发患者的主要治疗手段之一,通常采用标准的商业柱状施源器/插植模板进行阴道近距离治疗。本研究调查了 3D打印个体化腔内/插植施源器治疗上述患者的疗效和安全性。材料和方法:纳入了 26名子宫切除术后、中央型复发的宫颈癌患者,进行内外照射联合放疗,最终目标是临床靶体积(CTV)的累积剂量≥70Gy。危及器官限量:膀胱D2CC≤90Gy,直肠/乙状结肠D2CC≤75Gy。外照射采用图像引导的调强技术,近距离治疗前肿瘤厚度≤1cm和>1cm的患者分别采用腔内近距离治疗和插植近距离治疗。对前9例采用腔内近距离治疗的患者分别置入单通道柱状施源器和3D打印个体化施源器,勾画靶区并做计划,比较两种施源器的计划参数,包括CTV V100、CTV D90、CTV D98,直肠、乙状结肠、膀胱和小肠的D2CC。需要插植的患者采用经阴道3D打印插植施源器进行近距离治疗。随访26名患者的临床疗效和治疗相关并发症。结果:有6例(23%)患者在初次治疗时接受了术后辅助放疗,20例(77%)患者无盆腔放疗史。近距离治疗前的肿瘤厚度为0.81cm(范围0.5～2.4cm)。22例(85%)、3例(11%)和1例(4%)患者分别接受了腔内、插植、腔内联合插植的近距离治疗。进行施源器计划对比的9例患者中,有3例(33.3%)患者的单通道施源器计划因为直肠D2cc剂量限制使得CTV剂量未达标,而3D打印施源器计划全部达标,随后的患者直接采用3D打印施源器进行内照射。通过3D打印插植施源器引导植入的插植针均一次性准确到位,未对插值针位置进行调整,未出现明显出血、穿孔、感染等操作并发症。26名患者的CTV平均剂量为71±8.2Gy;仅1例患者(4%)出现直肠D2cc超量,无膀胱、乙状结肠超量。2年的局部控制率、无进展生存率及总生存率分别为87.8%、71.0%和91.6%。4名患者(21%)出现3～4级早期血液学毒性反应,1名患者(4%)出现3级晚期下消化道毒性反应(直肠阴道瘘)。结论:使用3D打印个体化施源器可以实现高质量的腔内和(或)插植近距离治疗,临床疗效满意,不良反应可接受。基于域对抗神经网络的妇科肿瘤术后近距离治疗临床靶区的自动勾画研究目的:当前,基于深度学习的外照射靶区自动勾画模型已有广泛报道,但针对近距离治疗的靶区自动勾画模型报道较少。近距离治疗中不同类型和材质的施源器会导致自动勾画模型的泛化性能差。为每种类型的施源器采集足量的CT图像数据并由专业医生进行标注,然后为每种施源器训练相应的自动勾画模型费时费力。本研究联合深度学习和迁移学习技术创建了域对抗神经网络(DANN),探索基于深度迁移学习模型使用原有施源器数据和少量目标施源器数据,为子宫切除术后妇科肿瘤患者训练阴道近距离治疗临床靶区自动勾画模型的可行性。材料和方法:采集90例接受近距离治疗的子宫切除术后妇科肿瘤患者的CT图像,包括施源器A治疗的60例患者和施源器X治疗的30例患者图像资料。共训练两种靶区自动勾画模型:Basal自动勾画模型,使用60例施源器A治疗的患者图像进行训练;DANN自动勾画模型,使用前述60例施源器A和10例施源器X治疗的患者图像进行训练;其余20例施源器X治疗的患者图像作为自动勾画模型的测试集。以人工勾画的靶区为金标准。采用客观指标和多中心医生主观评估来评价模型性能,客观指标包括Dice相似性系数(DSC)和第95百分位Hausdorff距离(95HD)。结果:DANN自动勾画模型在客观指标和主观评估上都优于Basal自动勾画模型,其P值均自动勾画模型的DSC和95HD中位数值分别为0.97和3.68mm,而Basal自动勾画模型分别为0.94和5.61mm。来自不同医疗中心的3名医生主观评价显示:DANN自动勾画模型在测试集CT图像上所勾画的靶区结构,分别有99%、98%和81%的比例可被临床接受,而Basal自动勾画模型可被接受的比例只有73%、77%和57%。一名医生认为,DANN自动勾画模型已达到人工勾画的水平。结论:DANN深度迁移学习模型可以利用原有的施源器数据和少量目标数据训练出适应目标施源器的靶区自动勾画模型,解决了因施源器差异性导致的阴道近距离自动勾画模型泛化性能差的难题。本研究证明了通过迁移学习策略,基于已有的相关数据,使用小样本目标数据创建自动勾画模型的可行性。

关键词： 3D打印施源器阴道近距离治疗宫颈癌子宫切除术后复发迁移学习妇科肿瘤自动勾画

基于U-net卷积神经网络的宫颈癌近距离放射治疗的重要器官自动勾画的研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于U-net卷积神经网络的宫颈癌近距离放射治疗的重要器官自动勾...

作者：宋艳芳赣南医学院

学位级别：硕士

目的:建立基于U-net卷积神经网络的自动勾画模型,实现快速准确地描绘宫颈癌患者的子宫和危及器官(Organs at risk,OARs)轮廓,从而大大减轻医师的工作量,缩短患者治疗等待时间,同时也能够保证治疗的一致性。方法:本研究纳入124套定位计... 详细信息

目的:建立基于U-net卷积神经网络的自动勾画模型,实现快速准确地描绘宫颈癌患者的子宫和危及器官(Organs at risk,OARs)轮廓,从而大大减轻医师的工作量,缩短患者治疗等待时间,同时也能够保证治疗的一致性。方法:本研究纳入124套定位计算机断层扫描(Computed tomography,CT)图像。以国际辐射单位与测量委员会第89号报告(International Commission on Radiation Units and Measurements Report No.89,ICRU89)勾画标准逐个逐层对其进行子宫和OARs(膀胱、直肠、乙状结肠、盆骨、左右股骨头)的人工勾画,由高级医师对勾画进行审核修改。将修改后的CT图像导入Accu Learning中进行模型训练获得自动勾画模型。利用戴斯相似系数(Dice similarity coefficient,DSC)、豪斯多夫距离(Hausdorff distance,HD95)、平均对称表面距离(Average symmetrical surface distance,ASSD)、相对绝对体积差(Relative absolute volume difference,RAVD)几何指标评估其勾画性能。并由两位高级医师对10名患者的人工智能(Artificial intelligence,AI)自动勾画图像进行评分(0拒绝;1大修;2小修;3无需修改)。比较AI辅助勾画耗时与低、中、高级医师手动勾画耗时。在缩短治疗时间的情况下,比较患者治疗前后体位和施源器相对位置、膀胱、直肠充盈程度、剂量分布的一致性。并对治疗前后有差异数据进行相关性分析。结果:本研究模型在七种OARs(乙状结肠、子宫、直肠、膀胱、盆骨、左股骨头、右股骨头)的DSC值分别为(0.92±0.04、0.87±0.09、0.89±0.07、0.95±0.05、0.99±0.01、0.99±0.01、0.98±0.02),HD95值(mm)分别为(7.96±5.61、7.25±4.75、10.81±10.25、6.89±7.29、0.62±0.69、1.25±1.3、2.04±2.82),ASSD值(mm)分别为(1.59±1.32、1.98±1.59、2.07±2.36、1.39±1.77、0.09±0.07、0.17±0.14、0.27±0.29),RAVD%分别为(12.31±7.74、16.81±12.89、14.94±17.94、5.33±6.88、1.19±1.5、1.83±1.24、2.77±2.89)。两位高级医师认为自动勾画的危及器官仅少部分需要大幅度修改,大部分均能较好的应用于临床。两位医师对自动勾画的评分无明显差异。AI辅助勾画分别减少初、中、高级医师42min、18min、10min的勾画时长,平均减少放疗医师23min的轮廓勾画时长。同一患者在平均间隔时间45min30s后,同一治疗计划下膀胱体积、D(90%体积的剂量),乙状结肠D(1cm体积的最大剂量)、D(100%体积的剂量)发生了变化(P0.05)。相关性分析显示膀胱D,乙状结肠D、D与膀胱体积无明显相关性。高危临床靶区(High-risk clinical target volume,HR-CTV)体积与结直肠、膀胱D、D(2cm体积的最大剂量)明显相关。结论:本研究基于U-net卷积神经网络成功构建了宫颈癌近距离治疗重要器官的自动勾画模型。临床评价认为该模型的勾画结果满足临床应用需求,在近距离治疗时减少医生的勾画时长,减少患者治疗等待时间。进行了膀胱、直肠、乙状结肠、HR-CTV体积和剂量治疗前后的一致性评估,得出在AI辅助的自动勾画模型下治疗前后靶区剂量无明显变化,施源器位置保持了一致性,膀胱体积有变化,危及器官的受照剂量是减少的,但仍需更多的样本量和临床数据进一步支持论证。此外,宫颈癌近距离放疗危及器官的受照剂量与HR-CTV的体积显著相关,说明个体化高效、精准勾画靶区的重要性。

关键词：宫颈癌近距离放射治疗自动勾画神经网络重要器官

利用堆叠式神经网络提高格蕾丝眼病放疗靶区的自动勾画精度

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生物医学工程学杂志 2020年第4期37卷 670-675页

作者：蒋家良周莉何奕松姜筱璇傅玉川四川大学华西医院放疗科成都610041

相较于以往将靶区作为单独区域进行自动分割的神经网络,本文提出了一种利用靶区周围器官的位置及形状信息来限定靶区形状及位置,并通过多个网络的叠加融合空间位置信息,从而提高医学图像自动分割精度的堆叠式神经网络。本文以格蕾丝眼... 详细信息

相较于以往将靶区作为单独区域进行自动分割的神经网络,本文提出了一种利用靶区周围器官的位置及形状信息来限定靶区形状及位置,并通过多个网络的叠加融合空间位置信息,从而提高医学图像自动分割精度的堆叠式神经网络。本文以格蕾丝眼病为例,基于全卷积神经网络构建了堆叠式神经网络,对其左右两侧放疗靶区分别进行分割。以医生手动勾画结果为标准,计算体积戴斯相似系数(DSC)和双向豪斯多夫距离(HD)。相较于全卷积神经网络,堆叠式神经网络勾画结果可以使左右两侧体积DSC分别提高1.7%和3.4%,同时左右两侧的双向HD距离分别下降0.6。结果表明,堆叠式神经网络在提升自动分割结果与手动勾画靶区重合度的同时,减小了小区域靶区的分割误差,进一步说明堆叠式神经网络能有效地提高格蕾丝眼病放疗靶区的自动勾画精度。

关键词：堆叠式神经网络格蕾丝眼病自动勾画深度学习

基于深度学习软件的早期乳腺癌靶区及危及器官自动勾画技术在临床的应用研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习软件的早期乳腺癌靶区及危及器官自动勾画技术在临床...

作者：龚筱钦苏州大学

学位级别：硕士

目的:比较深度学习软件小样本数据训练后的模型和软件原有模型在早期乳腺癌临床靶区及危及器官自动勾画中的效果研究。方法:选取60例早期右侧乳腺癌保乳术后患者,以同一位主任医师手动勾画的临床靶区(Clinical Target Volume,CTV)及危... 详细信息

目的:比较深度学习软件小样本数据训练后的模型和软件原有模型在早期乳腺癌临床靶区及危及器官自动勾画中的效果研究。方法:选取60例早期右侧乳腺癌保乳术后患者,以同一位主任医师手动勾画的临床靶区(Clinical Target Volume,CTV)及危及器官(Organs At Risk,OARs),经两位主任医师审核确认后作为“参考标准”。随机抽取40例患者作为训练集,导入AccuLearning(AL)软件深度学习,建立训练后的自动勾画模型,定义为Model-AL;AccuContour(AC)软件中原有模型定义为Model-AC。其余20例患者作为测试集,分别导入Model-AL和Model-AC两组勾画模型中进行CTV及OARs的自动勾画。采用戴斯相似系数(Dice Similarity Coefficient,DSC)、豪斯多夫距离(Hausdorff Distance,HD)及体素相对误差(Relative Volume Difference,RVD)对两组勾画效果进行评估和比较,同时由临床主任医师对两组模型勾画的CTV及OARs进行临床评估及勾画效率评估。结果:Model-AL中CTV的DSC、HD以及RVD值均优于Model-AC组,其中DSC值的差异具有统计学意义(P自动勾画比较中,Model-AC组双侧肺、肝脏、食管的DSC值均高于Model-AL;双侧肺的HD值低于Model-AL,心脏的HD和RVD值高于Model-AL;左肺、气管和食管的RVD值均低于Model-AL;Model-AL脊髓的初始三个指标优于Model-AC,以上各评价指标有统计学意义(P自动勾画的结果进行临床评估中,Model-AL和Model-AC的CTV均分分别是2.35和1.46,差异具有统计学意义(P勾画CTV平均时间相比,分别节省746s(75.05%)和414s(41.65%);危及器官的勾画效率评估中,两组自动勾画模型较手动勾画均大幅度节省时间,差异具有统计学意义(P自动勾画模型相比手动勾画均能大幅度节省时间,提高工作效率。其中AccuContour软件原有的Model-AC模型在乳腺癌OARs的自动勾画中更加精确,而将本院数据输入AccuLearning软件,通过深度学习后建立的Model-AL模型在CTV中的自动勾画准确性优于Model-AC,。

关键词：乳腺癌自动勾画深度学习临床靶区危及器官