目的:在卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)之上介紹一種特征區(qū)域再聚焦的勾畫方法。方法:利用端到端的全卷積神經(jīng)網(wǎng)絡(luò),采用正常勾畫及特征區(qū)域再聚焦勾畫兩種方法分別對鼻咽癌腫瘤體積(GTV_nx)進行自動勾畫。選取60例鼻咽癌患者數(shù)據(jù),其中40例用于訓(xùn)練,20例用于測試。Dice相似系數(shù)（DSC）用于評估自動勾畫準(zhǔn)確度。結(jié)果:正常勾畫方法 DSC為0.352±0.084,特征區(qū)域再聚焦方法DSC為0.524±0.079。對20例測試?yán)串嫿Y(jié)果進行統(tǒng)計學(xué)檢驗結(jié)果顯示P<0.01。結(jié)論:相比正常勾畫方法,特征再聚焦勾畫方法能夠提高對GTV_nx的勾畫效果,提升較小靶區(qū)的勾畫精度。 

【文章來源】：中國醫(yī)學(xué)物理學(xué)雜志. 2020,37(01)CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

圖2 分析過程示意圖

測試結(jié)果如圖3所示。在Focus模型下的平均DSC為0.524±0.079,Normal模型下的平均DSC為0.352±0.084，兩種模型下DSC比較，P<0.01。表明Focus模型與Normal模型自動分割GTVnx的結(jié)果存在統(tǒng)計學(xué)差異，說明特征區(qū)域聚焦方法有助于提升全卷積神經(jīng)網(wǎng)絡(luò)對較小靶區(qū)的勾畫精度。為進一步驗證特征區(qū)域再聚焦方法的有效性，從總計464張測試圖像中隨機抽取80張進行勾畫，并按照上述方法進行配對t檢驗。結(jié)果如圖4和圖5所示，兩模型DSC比較，P<0.01，可知特征區(qū)域聚焦方法有助于提高較小靶區(qū)的勾畫精度。圖4 隨機抽取的80幅圖像兩模型下DSC值比較

深度學(xué)習(xí)中的注意力機制從本質(zhì)上講，與人類的選擇性視覺注意力機制類似，核心目標(biāo)也是從眾多信息中選擇出對當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息。目前，在圖像識別、圖像描述等領(lǐng)域均有相關(guān)注意力機制模型的發(fā)展[10-13]。由于放射治療的靶區(qū)之間的空間位置關(guān)系確定，如GTVnx一定在CTV1內(nèi)部，可通過對原始影像集的處理來確定需要重點觀測的區(qū)域，方便篩選出與GTVnx靶區(qū)勾畫更為相關(guān)的信息，見圖1。2 材料與方法

【參考文獻】：
期刊論文
[1]基于用戶注意力與視覺注意力的社交圖像描述[J]. 褚曉亮,朱連章,吳春雷.  計算機系統(tǒng)應(yīng)用. 2018(08)
[2]CT與MR圖像融合在鼻咽癌放射治療大體腫瘤靶區(qū)中的應(yīng)用研究[J]. 殷全紅.  影像研究與醫(yī)學(xué)應(yīng)用. 2017(15)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[4]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[5]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[6]鼻咽癌調(diào)強放射治療靶區(qū)勾畫-中國醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院經(jīng)驗總結(jié)[J]. 易俊林,高黎,徐國鎮(zhèn),黃曉東,羅京偉,李素艷,肖建平,王凱,張世平,曲媛.  腫瘤預(yù)防與治療. 2011(03)
[7]基于視覺注意力機制的圖像檢索研究[J]. 梁曄,劉宏哲.  北京聯(lián)合大學(xué)學(xué)報(自然科學(xué)版). 2010(01)
[8]鼻咽癌治療的研究進展[J]. 馬駿.  中山大學(xué)學(xué)報(醫(yī)學(xué)科學(xué)版). 2010(02)
[9]CT與MR圖像融合在鼻咽癌放射治療大體腫瘤靶區(qū)勾畫中的應(yīng)用[J]. 黃東寧,黃海欣,陳紹俊,李桂生.  中國腫瘤臨床與康復(fù). 2008(06)
[10]基于局部顯著區(qū)域的自然場景識別[J]. 王璐,陸筱霞,蔡自興.  中國圖象圖形學(xué)報. 2008(08)



本文編號：3131815