相較于以往將靶區(qū)作為單獨區(qū)域進(jìn)行自動分割的神經(jīng)網(wǎng)絡(luò),本文提出了一種利用靶區(qū)周圍器官的位置及形狀信息來限定靶區(qū)形狀及位置,并通過多個網(wǎng)絡(luò)的疊加融合空間位置信息,從而提高醫(yī)學(xué)圖像自動分割精度的堆疊式神經(jīng)網(wǎng)絡(luò)。本文以格蕾絲眼病為例,基于全卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了堆疊式神經(jīng)網(wǎng)絡(luò),對其左右兩側(cè)放療靶區(qū)分別進(jìn)行分割。以醫(yī)生手動勾畫結(jié)果為標(biāo)準(zhǔn),計算體積戴斯相似系數(shù)（DSC）和雙向豪斯多夫距離（HD）。相較于全卷積神經(jīng)網(wǎng)絡(luò),堆疊式神經(jīng)網(wǎng)絡(luò)勾畫結(jié)果可以使左右兩側(cè)體積DSC分別提高1.7%和3.4%,同時左右兩側(cè)的雙向HD距離分別下降0.6。結(jié)果表明,堆疊式神經(jīng)網(wǎng)絡(luò)在提升自動分割結(jié)果與手動勾畫靶區(qū)重合度的同時,減小了小區(qū)域靶區(qū)的分割誤差,進(jìn)一步說明堆疊式神經(jīng)網(wǎng)絡(luò)能有效地提高格蕾絲眼病放療靶區(qū)的自動勾畫精度。 

【文章來源】：生物醫(yī)學(xué)工程學(xué)雜志. 2020,37(04)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

堆疊式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了評估自動分割的準(zhǔn)確性，將兩種模型的分割結(jié)果與醫(yī)生手動勾畫結(jié)果的相似度作為評判標(biāo)準(zhǔn)�？傮w來說，一種分割方法可以從準(zhǔn)確性、效率和可靠性三個方面來判定其精度，各種評估指標(biāo)大致分為四類：矩量法、重疊指標(biāo)、平均距離和最大距離[13]。為了較為全面地反映分割結(jié)果間的相似度，本研究中使用重疊指標(biāo)中的戴斯相似系數(shù)（Dice similarity coefficient,DSC）和最大距離指標(biāo)中的豪斯多夫距離（Hausdorff distance,HD）將自動分割的輪廓與手動勾畫的輪廓進(jìn)行定量比較[14]。應(yīng)用于圖像分割的DSC指的是兩個目標(biāo)區(qū)域的重疊面積占總面積的百分比。就體積而言，它計算的是兩個體積的重疊部分占總體積的百分比。DSC值保持在0和1之間，1表示兩靶區(qū)體積完全重疊，0表示靶區(qū)體積不相交。然而DSC對于圖像的細(xì)節(jié)不敏感，其數(shù)值無法體現(xiàn)小區(qū)域內(nèi)的明顯分割誤差[15]，這使得添加其他評估標(biāo)準(zhǔn)加以輔助變得十分必要。HD是度量空間中任意兩個非空點集合之間的距離，它計算一個組中每個點距離另一個組中每個點的最小值，并取其最大值[16]。假設(shè)A,B為空間中的兩個非空點集，由A到B的HD定義如式（1）所示:

如圖3所示，為同一測試?yán)齻�不同層面的醫(yī)生勾畫結(jié)果、FCN-8s勾畫結(jié)果以及stacked FCN勾畫結(jié)果的對比，層面1、層面2、層面3為同一測試?yán)娜齻�不同層面的CT影像。結(jié)合表2、表3和圖3的信息可知，對于體積較小的靶區(qū)來說，DSC和HD值的改變反映在每一層CT影像上的結(jié)果十分明顯。通過利用眼球的形狀、位置信息，stacked FCN使得勾畫結(jié)果靠近邊緣處形狀更為接近醫(yī)生手動勾畫結(jié)果，相較于FCN-8s小區(qū)域的不良分割更少，靶區(qū)形狀更為確定，勾畫結(jié)果更為精確。本文研究結(jié)果表明，堆疊式神經(jīng)網(wǎng)絡(luò)通過利用靶區(qū)周圍器官所能提供的定位信息，在現(xiàn)有神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，能夠進(jìn)一步增加靶區(qū)自動分割的精度。3 討論

【參考文獻(xiàn)】：
期刊論文
[1]影像分割中Dice系數(shù)和Hausdorff距離的比較[J]. 何奕松,蔣家良,余行,傅玉川.  中國醫(yī)學(xué)物理學(xué)雜志. 2019(11)



本文編號：3421107