基于深度学习宫颈癌靶区自动分割勾画临床研究

• 作者: 周婧劼 周菊英 徐晓婷 王章龙 郭建 韩妙飞 马辰莺 高耀宗
• 来源期刊: 中华放射肿瘤学杂志
• 关键词: 深度学习 临床靶体积勾画 自动分割算法 宫颈肿瘤
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 腹部肿瘤
• 页码范围: 859-865
• 页数: 7页
• 语种: 中文
• DOI: 10.3760/cma.j.cn113030-20191112-00475

摘要

目的:验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法:选取535例宫颈癌CT影像，参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV)，经专家审查后作为参考勾画，用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例，分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试，以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时，分别记录算法和手动勾画耗时。结果:数据经VB-Net网络训练得到根治CTV 1(dCTV 1)、dCTV 2、术后CTV 1(pCTV 1)自动分割模型，自动勾画结果与参考勾画具有较好的一致性(DSC：0.88、0.70、0.86；MSD：1.32、2.42、1.15 mm；HD：21.6、22.4、20.8 mm)。dCTV 1算法与三组医师勾画相近( P>0.05)；dCTV 2及pCTV 1算法均优于初中级医师勾画( P<0.05)，自动分割勾画耗时较手动勾画显著缩短。 结论:基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当，应用于临床中将有助于大幅提高工作效率，具有提高勾画一致性和准确性的潜能。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周菊英		151	691	12.0	17.0
2	徐晓婷		80	319	8.0	12.0
3	郭建		22	73	5.0	8.0
4	马辰莺		10	28	3.0	5.0
5	韩妙飞		1	0	0.0	0.0
6	高耀宗		1	0	0.0	0.0
7	王章龙		1	0	0.0	0.0
8	周婧劼		1	0	0.0	0.0