摘要目的 构建一种基于深度学习U-Net的鼻咽癌临床靶区体积(clinical target volume,CTV)和危及器官(organs at risk,OARs)的自动勾画方法,并与基于图谱的自动勾画方法(atlas-based auto-segmentation,ABAS)比较,进而探讨基于深度学习自动勾画方法的可行性与优越性.方法 选取 2022 年 1 月至 9 月于江苏省苏北人民医院行鼻咽癌放疗的患者的CT定位影像150 例并进行预处理,构建基于U-Net的自动勾画模型,其中 90 例作为训练数据集,10 例作为验证集,其余 50 例作为测试集,以医师手工勾画结果为金标准,计算U-Net自动勾画模型对鼻咽癌CTV和OARs的自动勾画精度,并与ABAS勾画结果进行比较.结果 U-Net的CTV和OARs(脑干、脊髓、左眼球、右眼球、左晶状体、右晶状体、左视神经、右视神经、左下颌骨、右下颌骨、左腮腺、右腮腺、左颞叶和右颞叶)的戴斯相似性系数(Dice similarity coefficient,DSC)分别为(0.76±0.03)、(0.93±0.02)、(0.92±0.03)、(0.93±0.02)、(0.94±0.03)、(0.90±0.03)、(0.91±0.02)、(0.78±0.06)、(0.77±0.05)、(0.95±0.04)、(0.95±0.02)、(0.80±0.04)、(0.81±0.03)、(0.77±0.05)和(0.76±0.04).除CTV、视神经、腮腺和颞叶外,U-Net模型自动勾画的其余器官的豪斯多夫距离(Hausdorff distance,HD)值均≤5.60 mm且重叠比(overlap ratio,OR)值均≥0.80.U-Net较ABAS模型自动勾画的各个器官的DSC更高,HD更低且OR更高(均P<0.05),勾画各个器官的耗时也更少,总体耗时降低(176.73±54.08)s(P<0.05).结论 U-Net自动勾画模型能较好实现鼻咽癌放疗CTV和OARs的自动勾画,为临床医师的勾画提供参考并提高勾画效率,以深度学习为基础的自动勾画方法具有很高的可行性和优越性.