目的:用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法:将Dense Net与V-Net2个网络模型进行融合，形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数，测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果:小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm，结果优于单一算法(均 P<0.05)。 结论:Dense V-Network算法可较为准确地分割肠道器官，医生修改审查简单易行，可用于临床。

目的:评估基于一种深度学习网络模型2D-PE-GAN的鼻咽癌靶区自动勾画模型，对靶区勾画的工作效率的提高作用。方法:模型采用生成对抗网络的架构，生成器采用UNet相似结构，并在生成器的每一层卷积操作后添加2D-PE-block，提升勾画准确度。实验数据使用130例鼻咽癌CT图像，模型训练前对图像进行预处理，通过对比UNet、GAN，以及添加注意力机制的GAN三种模型，使用Dice系数、豪斯多夫距离、准确率、马修斯相关系数、杰卡德距离，说明提出模型的有效性。结果:相比于UNet、GAN、加入注意力机制的GAN，2D-PE-GAN网络分割CTV的Dice系数平均值提高了26%、4%、2%，分割GTV的Dice系数平均值提高21%、4%、2%。相比于加入注意力机制的GAN，2D-PE-GAN的参数和时间分别减少了0.16%、18%。结论:与UNet、GAN、加入注意力机制的GAN三种模型相比，2D-PE-GAN用于鼻咽癌靶区勾画，分割准确度均有所提升，同时，与提出原因相似的注意力机制相比，使用2D-PE-GAN在分割准确度相差不大的情况下，能减少计算资源的占用。

利用稀疏矩阵和杰卡德相似系数,结合医疗领域知识构建医院智能导诊系统,阐述系统需求、总体设计、关键技术和功能模块,包括智能导诊、综合信息查询、知识库管理及数据库设计,指出该系统能够在一定程度上克服医院现有分诊流程存在的弊端,缓解导诊服务压力.

将深度学习应用到医学影像中危及器官自动分割领域时,为解决训练样本不足时三维卷积神经网络优化出现的退化、梯度消失等问题,本研究将Dense Net与V-Net两个网络模型进行融合,开发一种用于三维计算机断层扫描(CT)图像自动分割的Dense V-Network算法,勾画女性盆腔危及器官.采用戴斯相似性系数(DSC)、豪斯多夫距离(HD)、杰卡德距离(JD)三个参数来定量评估分割效果.结果 显示膀胱、小肠、直肠、股骨头和脊髓自动分割的DSC值均在0.87以上(平均值是0.9);JD值均在2.3以内(平均值是0.18);除小肠外,HD值均在0.9 cm以内(平均值是0.62Cm).经验证,Dense V-Network网络可精准地勾画盆腔危及器官.

目的:对肿瘤信息管理系统(oncology information system,OIS)自动勾画软件在鼻咽癌肿瘤放射治疗当中危及器官自动勾画的可行性进行研究.方法:选取20例可行性患者,分别进行人工勾画与自动勾画.20例患者人工勾画图像作为对照组,而机器勾画的图像作为干预组.使用体积重合度(DSC)与杰卡德相似系数(J)来分析自动勾画图像的精确度.结果:自动勾画的图像中垂体、视交叉、视神经(左)的DSC<0.7,并且此三类器官的J值也较低,在0.3左右,重合性较差.垂体、视交叉、视神经在DSC与J方面有统计学差异.结论:利用OIS软件在头颈部肿瘤危及器官自动勾画时除了垂体、视交叉、视神经外,其余大部分器官的勾画完全可以替代医生达到较好的临床效果,大大节约了人力,促进放射治疗的自动化和智慧化.

目的 探讨一种空洞卷积U-Net模型对胰腺组织精准分割的可行性.方法 通过对标准U-Net模型进行改进,得到一种多尺度空洞卷积U-Net模型,以100例放疗定位CT中包含完整胰腺的盆腔肿瘤患者的影像和结构信息为研究对象,对两种U-Net模型进行训练和测试,最终比较两者的分割精度.分割精度量化指标分别是戴斯相似性系数(DSC)、杰卡德相似性系数(JSC)、豪斯多夫距离(HD)和平均表面距离(ASD).结果 与标准U-Net模型分割结果比较,该研究的空洞卷积U-Net模型的DSC均值达到0.87,JSC、HD和ASD均值也分别为0.78、9.85 mm和1.62 mm,且差异有统计学意义(P＜0.05).结论 基于标准U-Net模型搭建的空洞卷积U-Net模型能够更准确的分割健康胰腺组织,对改进辅助诊断系统和提高放射治疗效果有着重要的意义.

目的 基于深度学习方法提出一种稠残U-net神经网络,探讨其在放疗定位CT上自动预测甲状腺轮廓的可行性,以减少放疗中甲状腺所受辐射剂量,降低甲减发生率.方法 在U-net网络中引入残差机制和稠密连接机制建立一种稠残U-net网络.选取76名患者定位CT图像的甲状腺切片制作数据集,随机划分为训练集58例、验证集9例和测试集9例,对稠残U-net进行训练、验证和测试,得到稠残U-net自动预测甲状腺的结果.通过戴斯相似性系数(Dice)、杰卡德相似系数(Jaccard))和豪斯多夫距离(HD)等评价指标来评估其分割性能.结果 稠残U-net预测甲状腺的Dice值为0.86±0.09、Jaccard值为0.78±0.12、HD值为2.52±0.61,且预测的轮廓边界与专家勾画的标准边界非常接近.结论 本文提出的稠残U-net能在定位CT图像上较为精准地预测甲状腺轮廓,且证明在卷积神经网络中引入残差机制和稠密连接机制能提高其分割性能.

目的:比较MANTEIA和RT-Mind两种软件自动勾画头部小体积危及器官(OAR)的准确性.方法:选取30例头部肿瘤患者的电子计算机断层扫描(CT)影像和核磁共振影像,将两套勾画系统软件自动勾画的实验组1和在勾画基础上手动修改的实验组2与医生手动勾画的对照组进行交叉指数系数(OI)、形状相似性系数(DSC)、杰卡德相似系数(J)和剂量偏差比较.结果:对于体积相对较大或CT值差异明显的头部器官(如脑干、晶体),OI、DSC、J值较高,剂量偏差较低;但对于小体积OAR(如视交叉、视神经、垂体)OI、DSC、J值较低,剂量偏差较高.P值分析发现:自动勾画A1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义(P<0.05).除晶体和内耳的OI值外,自动勾画B1组与手动勾画M组OAR的OI、DSC和J值比较差异均有统计学意义(P<0.05).在自动勾画基础上,手动修改后,OI、DSC和J值都有提升,但与M组的OAR相比仍存在一定的差异.结论:通过软件自动勾画可以满足体积相对较大或CT值差异明显的头部器官放疗的临床需求,但对于头部小体积OAR,在临床上仍需要医生手动勾画.

目的 通过对比三种计算机自动分割算法对不规则脑出血区域分割的准确性,以得出自动识别不规则脑出血区域的最佳算法.方法 选取20例不规则脑出血患者的计算机体层摄影(Computed Tomography,CT)头颅平扫图像作为研究对象,分别采用模糊聚类水平集算法(Fuzzy Clustering and Distance Regularized Level Set Evolution,FCRLS)、阈值法、区域生长法对同一图像进行病灶分割,并以人工勾画病灶区图像作为"金标准",采用戴斯相似性系数(Dice Similarity Coefficient,DSC)、杰卡德指数(Jaccard Index)、相对体积差(Relative Volume Difference,RVD)比较不同算法对病灶分割的精确度和重合度.结果 FCRLS、阈值法、区域生长法的Dice系数分别为(0.88±0.04)、(0.76±0.13)、(0.71±0.12);Jaccard系数分别为(0.80±0.07)、(0.63±0.17)、(0.56±0.14);RVD值分别为(0.12±0.13)、(0.42±0.50)、(0.79±0.52).FCRLS的Dice、Jaccard系数大于灰度阈值法和区域生长法,差异具有统计学意义(P<0.001);FCRLS的RVD值小于灰度阈值法和区域生长法,差异具有统计学意义(P<0.001).结论 FCRLS、阈值法、区域生长法三种算法比较,FCRLS对于不规则脑出血病灶的自动提取的准确性、鲁棒性均最高,可用于临床辅助诊断和后续治疗.

目的:探讨基于广义Dice损失函数(GDL)残差U?net神经网络模型(GDLResU?net)在放疗定位CT图像上甲状腺分割的准确性.方法:选取76例乳腺癌或鼻咽癌患者的放疗定位CT图,由影像学专家勾画标签图,将患者影像数据随机分为训练集(n=59)、验证集(n=8)和测试集(n=9).采用旋转、翻转、缩放和剪切对训练集进行扩充,并使用戴斯相似度系数(DSC)、杰卡德相似度系数(JSC)、阳性预测率(PPV)、灵敏度(SE)、豪斯多夫距离(HD)评价指标对模型进行性能评估.结果:GDLResU?net模型分割的甲状腺相较于基于Dice损失函数的U?net模型(DLU?net)和基于GDL损失函数的U?net模型(GDLU?net),甲状腺的分割能力有所提高.相较于DLU?net模型,GDLResU?net测试集评价指标DSC、JSC、PPV、SE分别提高了0.06、0.07、0.03、0.06,HD降低了0.33;相较于GDLU?net模型,GDLResU?net测试集评价指标DSC、JSC、PPV、SE分别提高了0.03、0.04、0.04、0.01,HD降低了0.22.结论:对于放疗定位CT甲状腺的分割,GDLResU?net模型相较于DLU?net和GDLU?net模型有着更好的分割效果,且可以较为准确地分割甲状腺,但精度仍存在欠缺,应在此基础上进一步提高精准度.