目的精準(zhǔn)的危及器官(organs at risk,OARs)勾畫是腫瘤放射治療過(guò)程中的關(guān)鍵步驟。依賴人工的勾畫方式不僅耗費(fèi)時(shí)力,且勾畫精度容易受圖像質(zhì)量及醫(yī)生主觀經(jīng)驗(yàn)等因素的影響。本文提出了一種2D級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)模型,用于放療危及器官的自動(dòng)分割。方法模型主要包含分類器和分割網(wǎng)絡(luò)兩部分。分類器以VGG (visual geometry group)16為骨干結(jié)構(gòu),通過(guò)減少卷積層以及加入全局池化極大地降低了參數(shù)量和計(jì)算復(fù)雜度;分割網(wǎng)絡(luò)則是以U-Net為基礎(chǔ),用雙線性插值代替反卷積對(duì)特征圖進(jìn)行上采樣,并引入Dropout層來(lái)緩解過(guò)擬合問(wèn)題。在預(yù)測(cè)階段,先利用分類器從輸入圖像中篩選出包含指定器官的切片,然后使用分割網(wǎng)絡(luò)對(duì)選定切片進(jìn)行分割,最后使用移除小連通域等方法對(duì)分割結(jié)果進(jìn)一步優(yōu)化。結(jié)果本文所用數(shù)據(jù)集共包含89例宮頸癌患者的腹盆腔CT(computed tomography)圖像,并以中國(guó)科學(xué)技術(shù)大學(xué)附屬第一醫(yī)院多位放射醫(yī)師提供的手工勾畫結(jié)果作為評(píng)估的金標(biāo)準(zhǔn)。在實(shí)驗(yàn)部分,本文提出的分類器在6種危及器官(左右股骨、左右股骨頭...

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
0 引 言
1 本文方法
    1.1 數(shù)據(jù)預(yù)處理
    1.2 分類器結(jié)構(gòu)
    1.3 改進(jìn)后的U-Net結(jié)構(gòu)
    1.4 損失函數(shù)
2 實(shí)驗(yàn)結(jié)果
    2.1 數(shù)據(jù)集
    2.2 評(píng)估指標(biāo)
    2.3 實(shí)驗(yàn)設(shè)置
    2.4 分類器性能評(píng)估
    2.5 分割性能度量
3 結(jié) 論



本文編號(hào)：4056219