论文部分内容阅读
恶性肿瘤严重威胁我国居民健康生活。全国最近的癌症统计数据显示,恶性肿瘤导致的死亡人数占全部疾病死亡人数的23.91%,防控形势严峻。作为治疗恶性肿瘤的重要手段之一,放射治疗的基本目标是实现放射治疗增益比的最大化,即将放射线的照射剂量最大化的集中到计划靶区(Planning Target Volume , PTV)内,保证在消灭癌细胞时,实现对肿瘤周围危及器官(Organs at Risk , OARs)的保护。实现放射治疗增益比最大化,首先要实现对PTV和OARs的精准勾画(分割)。
随着数字成像技术和医学科学的进步,多种医学成像模式蓬勃发展,多模态影像有助于从不同的模态影像中提取语义分割特征信息。目前临床上一般是由经验丰富的放疗科医师在放疗CT影像上逐层手动勾画肿瘤靶区和危及器官,不仅非常耗时费力,而且勾画精度依赖于勾画人员的临床经验。因此,开展高精度的靶区和危及器官自动勾画算法研究具有非常重要的科学价值和临床意义。
本文研究基于深度学习的多模态影像肿瘤分割方法。采用解码器-编码器的对称卷积神经网络结构作为端到端的肿瘤分割的基本框架。首先基于U-Net研究多模态MRI脑肿瘤分割问题,为了提高U-Net提取语义分割特征的能力,分别研究了增加残差块、密集连接和级联膨胀卷积的U-Net对多模态MRI脑肿瘤分割性能提升的影响,实验结果表明,U-Net在整体肿瘤区、肿瘤核心区和增强肿瘤区三个分割目标上的DICE分别为0.86、0.79、0.63,加入残差块的U-Net在三个分割目标上的DICE分别为0.865、0.79、0.62,加入密集连接和级联膨胀卷积的U-Net在三个分割目标上的DICE分别为0.87、0.80、0.62。最后,采用在第四章中提出的加入密集连接和级联膨胀卷积的U-Net:DDCU-Net来作为分割网络,同时联合临床解剖先验知识,提出了针对MICCAI2019挑战大赛StructSeg2019中鼻咽癌和肺癌CT影像放疗靶区分割的方法,在全球200多个参赛队伍中,在鼻咽癌和肺癌分割任务中分别取得了第11、第6的最终排名。
随着数字成像技术和医学科学的进步,多种医学成像模式蓬勃发展,多模态影像有助于从不同的模态影像中提取语义分割特征信息。目前临床上一般是由经验丰富的放疗科医师在放疗CT影像上逐层手动勾画肿瘤靶区和危及器官,不仅非常耗时费力,而且勾画精度依赖于勾画人员的临床经验。因此,开展高精度的靶区和危及器官自动勾画算法研究具有非常重要的科学价值和临床意义。
本文研究基于深度学习的多模态影像肿瘤分割方法。采用解码器-编码器的对称卷积神经网络结构作为端到端的肿瘤分割的基本框架。首先基于U-Net研究多模态MRI脑肿瘤分割问题,为了提高U-Net提取语义分割特征的能力,分别研究了增加残差块、密集连接和级联膨胀卷积的U-Net对多模态MRI脑肿瘤分割性能提升的影响,实验结果表明,U-Net在整体肿瘤区、肿瘤核心区和增强肿瘤区三个分割目标上的DICE分别为0.86、0.79、0.63,加入残差块的U-Net在三个分割目标上的DICE分别为0.865、0.79、0.62,加入密集连接和级联膨胀卷积的U-Net在三个分割目标上的DICE分别为0.87、0.80、0.62。最后,采用在第四章中提出的加入密集连接和级联膨胀卷积的U-Net:DDCU-Net来作为分割网络,同时联合临床解剖先验知识,提出了针对MICCAI2019挑战大赛StructSeg2019中鼻咽癌和肺癌CT影像放疗靶区分割的方法,在全球200多个参赛队伍中,在鼻咽癌和肺癌分割任务中分别取得了第11、第6的最终排名。