换一批基于先验约束的临床靶区自动勾画方法对宫颈癌靶区勾画的应用研究
An automatic delineation method of clinical target volume based on prior constraints of organs-at-risk
摘要目的 深度学习技术目前已用于放射治疗目标的自动规划,例如直接勾画患者的临床靶区(Clinical Target Volume,CTV).目前的深度学习方法聚焦于从CT图像中直接预测CTV区域,而不考虑先验知识约束,这限制了此类方法的准确性.靶区勾画与危机器官(Organ-at-risks,OAR)高度关联,现有方法在使用这一先验知识方面研究不足.本文旨在开发融合危机器官先验约束的临床靶区自动勾画方法.方法 根据危机器官和临床靶区的先验位置关系,利用边缘距离图,增强模型特征提取能力,并结合多任务学习框架,利用丰富的辅助任务来提升临床靶区自动勾画的模型性能.收集2017年6月—2019年5月期间的安徽省第一附属医院放疗科室的宫颈癌靶区勾画数据,并在此基础上验证了方法的性能.结果 实验结果表明,本文提出的融合危机器官先验约束的临床靶区自动勾画方法在宫颈癌数据集上取得了较好的性能,其评价指标优于现有的临床靶区自动勾画方法.结论 融合危机器官的先验知识可以增加临床靶区勾画的准确性,这为靶区自动勾画方法走入临床实践奠定基础.
更多相关知识
栏目名称
DOI
10.11876/mimt202406004
发布时间
2025-01-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广东省基础与应用基础研究基金（2023A1515110721）
中央高校基本科研业务费专项（FRF-TP-22-050A1）
- 浏览4
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
