深度学习对放疗影像进行盆腔肠管自动勾画的可行性研究

Feasibility study on automatic segmentation of pelvic intestinal tube for radiotherapy images based on deep learning

二维码有效期 120s

摘要目的研究基于深度学习对放疗影像进行盆腔肠管自动勾画的可行性.方法随机选取2019-2021年在复旦大学附属中山医院接受放疗的直肠癌患者100例,随机选取其中60例作为训练模型病例,另40例作为测试病例.以手动肠管勾画为标准,基于深度学习自动分割软件AccuContour中的原始小肠模型,分别在60个模型病例中随机选取60、40、20(2组)个病例训练肠管勾画,获得4个训练模型Rec60、Rec40、Rec20A和Rec20B.使用40例测试病例评估原始模型与Rec60模型的Dice相似性系数(Dice similarity coefficient,DSC)、95%Hausdorff距离(95%Hausdorff distance,HD95)和平均对称表面距离(average symmetric surface distance,ASSD),并分别评估5组自动勾画的DSC.使用SPSS软件对几何参数进行配对t检验.结果训练后的勾画更接近手动勾画的肠管,能够较好地分辨肠管边界,可区分小肠与结肠.Rec60 的平均DSC、HD95 和ASSD分别较原始模型高 0.16(P＜0.001)、低12.4(P＜0.001)和低5.14(P＜0.001).关于DSC,经配对t检验,4个训练模型与原始模型的差异均有统计学意义,Rec60与Rec40之间差异无统计学意义,Rec60和Rec40与Rec20A和Rec20B之间差异有统计学意义,Rec20A与Rec20B之间差异无统计学意义.结论对于放疗影像的自动勾画,模型训练能够有效提高肠管勾画的准确性.在AccuContour软件中40个及以上病例的训练集能够训练出盆腔肠管勾画的最优模型.