基于深度学习的胰腺肿瘤靶区自动分割

摘要

目的：研究基于胰腺增强CT的卷积神经网络进行胰腺肿瘤靶区（GTV）自动分割的可行性及准确性。方法：回顾性选取114例胰腺癌患者的定位增强CT影像，使用AccuContour进行GTV手动勾画后导入AccuLearning按照8:1:1的比例随机抽取数据作为训练集、验证集和测试集，分别使用Flex和Segresnet两种网络结构进行自动分割模型训练，每种网络结构固定训练参数不变连续训练3次。模型的评价指标包括戴斯相似系数（DSC）、95%豪斯多夫距离（HD95）、对称位置的平均表面距离（ASSD）、体素相对误差（RVD）。结果：模型训练阶段，Flex组中Flex-3测试结果较差，最小DSC为0.14%，平均DSC为56.30%;Flex-1测试结果较优，最小DSC为47.90%，平均DSC为67.35%。Segresnet组中Segresnet-2测试结果较差，最小DSC为0.00%，平均DSC为42.46%;Segresnet-3测试结果较优，最小DSC为42.65%，平均DSC为63.28%。固定测试阶段，Segresnet-3组取得相对最优的DSC和RVD均值分别为63.88%和29.41%,Segresnet-2组取得相对最优的ASSD均值为4.43 mm,Segresnet-1组取得相对最优的HD95均值为12.87 mm。结论：Flex和Segresnet两种卷积神经网络结构都可用于胰腺肿瘤靶区的自动分割训练，Segresnet构建的分割模型的综合评估更优。

关键词

胰腺癌 / 肿瘤靶区 / 分割 / 深度学习 / 卷积神经网络