《表1 基于AI的正常组织勾画方法及结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人工智能在恶性肿瘤放射治疗领域的相关应用及进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。