基于卷积神经网络的乳腺癌放射治疗临床靶区及危及器官自动勾画
目的 本研究基于卷积神经网络(CNN)构建关于乳腺癌放射治疗临床靶区(CTV)及危及器官(OARs)的自动勾画模型，从而缩短临床医师勾画靶区的时间，提高靶区勾画的同质性。 资料和方法 本研究分别纳入160名保乳术后及110名改良根治术后满足放射治疗指征的女性患者的CT资料，对其CTV及OARs(健侧乳腺、心脏、双肺、脊髓)进行人工勾画，由两位经验丰富的临床医师对标注结果进行审核。我们设计了基于2DU-Net的多分类分割模型以完成高效自动勾画的任务。通过相似度系数(DSC)和95分位豪斯多夫距离(95HD)对其分割效能进行评估;同时随机挑选临床工作中人工勾画的10例保乳术后及10例改良根治术后放疗患者的CT资料，用AI生成相应的勾画结果，并由两位临床医师采用盲法对其进行临床评估，比较人工智能(AI)组与人工勾画参考(GT)组间的评分差异以及两位医师评价的一致性。 结果 该模型勾画乳腺CTV、胸壁CTV、健侧乳腺、心脏、右肺、左肺及脊髓的平均DSC分别为0.94、0.90、0.95、0.94、0.96、0.96及0.93。两位医师评估结果显示该模型勾画的OARs均可被临床实际应用所接受。医师A评估AI组99.4％的乳腺CTV和99.3％的胸壁CTV可被接受，医师B则为99.4％和98.9％。单个医师对于GT组和AI组的OARs及CTV评分差异均无统计学意义。B医师对AI组OARs评估的均分较A医师高，其中心脏及右肺的评分差异具有统计学意义;而A医师对AI组CTV评估的均分较B医师高，且差异具有统计学意义。两位医师评价的一致性系数Kappa=0.266。该模型勾画OARs、乳腺CTV及胸壁CTV分别耗时6.15s、3.88s、3.45s;在AI辅助下人工勾画耗时明显缩短。 结论 该模型可产生符合临床要求且与人工勾画质量相当的乳腺癌CTV及OARs。AI辅助靶区勾画可帮助减少临床工作量，并有望使临床工作更为规范化。研究还表明不同勾画者间具有不同勾画习惯及偏好，对于靶区范围的理解不同。同时该研究也为未来医学图像分割模型的构建及评价提供思路。
乳腺癌;放射治疗;卷积神经网络;自动勾画;临床靶区;危及器官
中国医学科学院北京协和医学院
博士
临床医学
张福泉
2020
中文
R737.9
2021-06-04（万方平台首次上网日期，不代表论文的发表时间）