摘要目的:探讨基于RNNU-Net深度学习模型在肺癌CT图像上自动勾画心脏的准确率和临床可行性.方法:选取75例肺癌患者的CT图,并由相关从业人员勾画心脏标签图,制作成数据集.将数据集随机分为训练集(n=51)、验证集(n=7)和测试集(n=17),并对训练集进行数据扩充,使用戴斯相似度系数(Dice similarity coefficient,DSC)、杰卡德相似度系数(Jaccard similarity coefficient,JSC)、阳性预测率(positive predictive value,PPV)、灵敏度(sensitivity,SE)、豪斯多夫距离(Hausdorf distance,HD)、相对体积差(relative volume difference,RVD)、体积重叠误差(volumetric overlap error,VOE)对模型进行定量评价,并对比U-Net模型和低年资从业人员对心脏的勾画结果.结果:基于RNNU-Net深度学习模型的测试集DSC、JSC、PPV、SE、HD、RVD、VOE评价指标值分别为:91.06％±10.94％、85.09％±15.10％、96.01％±9.35％、88.21％±13.42％、4.66±1.26、12.45％±18.70％、13.48±20.11.RNNU-Net的大多数评价指标与低年资从业人员之间的差异有统计学意义,且RNNU-Net模型表现出更优的效果,同时散点图与箱型图结果显示,相较于低年资从业人员勾画结果,RNNU-Net模型有着更少的0值.定性评价结果显示RNNU-Net深度学习模型准确地划分了下腔静脉与心脏,边界更加平滑,且缓解了漏勾现象,同时,在心脏周围存在肿瘤侵犯的情况下有效缓解了 U-Net模型的过分割现象.结论:基于RNNU-Net的深度学习模型在肺癌CT图像上的心脏自动勾画上存在一定的优势,可以缩短临床勾画时间,并有效弥补漏勾画等现象.