基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例,以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本,随机划分300例用于训练与验证,197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC),与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响,按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN),使用相同数据训练与测试,统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020,训练与测试时长是Unet、DeepLabv3+的1/3~1/30,S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002,脊髓平均值相差0.001,但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画,不仅可以提高模型应用效率,还有利于提高模型的泛化性能。
推荐文章
利用深度反卷积神经网络自动勾画放疗危及器官
深度学习
自动分割
放射治疗
危及器官勾画
深度反卷积神经网络
基于分组残差结构的轻量级卷积神经网络设计
卷积神经网络
分组
残差
分类性能
轻量
基于轻量级卷积神经网络的实时缺陷检测方法研究
卷积神经网络
深度可分离卷积
通道混洗
缺陷检测
基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究
深度学习
自动分割
临床靶区
危及器官
放射治疗
U-net
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于多任务学习的轻量级卷积神经网络在肺部危及器官自动分割中的应用研究
来源期刊 中华放射肿瘤学杂志 学科
关键词 多任务学习 轻量级卷积神经网络 自动勾画 危及器官
年,卷(期) 2021,(9) 所属期刊栏目 物理·技术·生物
研究方向 页码范围 917-923
页数 7页 分类号
字数 语种 中文
DOI 10.3760/cma.j.cn113030-20200409-00167
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (116)
共引文献  (22)
参考文献  (21)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1982(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(5)
  • 参考文献(0)
  • 二级参考文献(5)
2009(5)
  • 参考文献(1)
  • 二级参考文献(4)
2010(10)
  • 参考文献(0)
  • 二级参考文献(10)
2011(3)
  • 参考文献(0)
  • 二级参考文献(3)
2012(7)
  • 参考文献(1)
  • 二级参考文献(6)
2013(16)
  • 参考文献(0)
  • 二级参考文献(16)
2014(14)
  • 参考文献(0)
  • 二级参考文献(14)
2015(14)
  • 参考文献(0)
  • 二级参考文献(14)
2016(14)
  • 参考文献(2)
  • 二级参考文献(12)
2017(17)
  • 参考文献(1)
  • 二级参考文献(16)
2018(19)
  • 参考文献(9)
  • 二级参考文献(10)
2019(5)
  • 参考文献(5)
  • 二级参考文献(0)
2020(2)
  • 参考文献(2)
  • 二级参考文献(0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
多任务学习
轻量级卷积神经网络
自动勾画
危及器官
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
中华放射肿瘤学杂志
月刊
1004-4221
11-3030/R
大16开
北京市朝阳区潘家园南里17号
82-240
1992
chi
出版文献量(篇)
4390
总下载数(次)
7
论文1v1指导