《表1 基于AI的正常组织勾画方法及结果对比》
注:DDCNN:深扩卷积CNN;CTV:临床靶体积;ASD:平均对称表面距离;RVD:相对体积差异;ODS:危及器官的检测和自动分割;ABS:基于图谱的分割;FCN:完全卷积神经网络;LL-CNN:基于终生学习的CNN
放疗的基本目标是努力提高放射的治疗增益比,将射线的剂量集中到病变区域,杀灭肿瘤细胞,而使周围正常组织和器官少接受放射剂量。因此OARs及肿瘤靶区的正确勾画至关重要。而通常放射区域内涉及多个需要保护的正常组织,以盆腔肿瘤举例,OARs包括脊髓、骨髓、小肠、乙状结肠、直肠、膀胱、股骨头等,所以OARs的勾画会占据放疗医师大量的工作时间,此外医师个体之间在不同时间的勾画结果均有较大差异。两项研究表明,比较不同医师之间的相互一致性发现,人工勾画的平均戴斯相似性系数(dice similarity coefficient,DSC)为0.78~0.93,而自动勾画的平均DSC为0.97~0.99,人工勾画方式变异程度较高;而对同一医师自身一致性评价中,人工勾画的平均DSC为0.78~0.99,而自动勾画的平均DSC为0.82~0.95,两者之间无明显差异[5]。OARs勾画是经典的图像分割问题,AI在此问题上已有诸多成功应用,主要是基于深度学习(deep learning,DL)。卷积神经网络(convolutional neuron networks,CNN)是DL的代表算法之一,CNN由一个或多个卷积层或全连通层组成,其在图像和语音识别方面相较其他DL算法更有优势,故而常被应用于OARs的自动勾画中。其通常使用DSC来量化分析自动分割的精度。Zijdenbos等[6]提出DSC>0.7表示重复度高,分割效果较好。见表1。
图表编号 | XD00151651600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 邢碧媛、盛宇涵、赵迎超、伍钢 |
绘制单位 | 华中科技大学同济医学院附属协和医院肿瘤中心、华中科技大学同济医学院附属协和医院肿瘤中心、华中科技大学同济医学院附属协和医院肿瘤中心、华中科技大学同济医学院附属协和医院肿瘤中心 |
更多格式 | 高清、无水印(增值服务) |