利用深度反卷积神经网络自动勾画放疗危及器官.PDFVIP

第35 卷 第3 期 中国医学物理学杂志 Vol. 35 No.3 2018 年 3 月 Chinese Journal of Medical Physics March 2018 DOI: 10.3969/j.issn. 1005-202X.2018.03.002 医学放射物理 利用深度反卷积神经网络自动勾画放疗危及器官 门阔，戴建荣 国家癌症中心/ 中国医学科学院北京协和医学院肿瘤医院，北京 100021 【摘 要】目的：勾画危及器官是放射治疗中非常重要的常规工作。然而，目前的人工勾画非常耗时，而且依赖于医生的知 识和经验。为此，本研究提出一种深度反卷积神经网络，用于自动和精确地勾画危及器官。方法：深度反卷积神经网络 是一个用于自动分割的端到端框架。实验使用了230 例头颈部患者的数据，在其中随机选择了184例作为训练集，用于调 制自动分割模型的参数，其余46 例用作测试集评估方法的性能。用于分割的危及器官包括脑干、脊髓、左腮腺、右腮腺、 左颞叶、右颞叶、甲状腺、喉、气管9 个危及器官。自动分割精度的量化指标使用戴斯相似性系数和豪斯多夫距离。结果： 所有危及器官自动分割的戴斯相似性系数值均在0.70 以上（平均值为0.81），豪斯多夫距离值在5.0 mm 内（平均值为4.3 mm），表明本研究提出的自动分割方法能准确地分割危及器官。结论：利用深度反卷积神经网络建立了一种自动分割危 及器官的方法，可以得到较准确的结果，为放射治疗流程自动化提供了技术支持。 【关键词】深度学习；自动分割；放射治疗；危及器官勾画；深度反卷积神经网络 【中图分类号】R815.6 【文献标志码】A 【文章编号】1005-202X（2018）03-0256-04 Automatic segmentation of organs at risk in radiotherapy using deep deconvolutional neural network MEN Kuo, DAI Jianrong National Cancer Center/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China Abstract:Objective The segmentation of organs-at-risk (OAR) is essential to radiotherapy. However, the current manual segmentation is time-consuming and dependent on the physicians knowledge and experience. Herein deep deconvolutional neural network (DDNN) is proposed for the automatic and accurate segmentation of OAR. MethodsDDNN is an end-to- end framework for automatic segmentation. The data of 230 head and neck patients were selected in this study. Among all the selected patients, 184 cases were randomly chosen as training set used for adjusting the parameters of automatic segmentation model, and the other 46 cases were regarded as test set used for evaluating th