深度卷积神经网络在放射治疗计划图像分割中的应用

• 作者: 刘常春 吴江华 张广顺 彭应林 邓小武 邓金城 陈子杰 雷国胜
• 来源期刊: 中国医学物理学杂志
• 关键词: 深度学习 卷积神经网络 医学影像分割 相似度系数 放射治疗
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 医学放射物理
• 页码范围: 621-627
• 页数: 7页
• 分类号: R811.1
• 语种: 中文
• DOI: 10.3969/j.issn.1005-202X.2018.06.001

摘要

目的:结合全卷积神经网络(Fully Convolutional Network, FCN)和多孔卷积(Atrous Convolution, AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画.方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集.选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network, D-FCN).分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的最佳分割模型,最后使用测试集图像对充分训练后获取的最佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力.结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有最佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%.结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割.