论著
薛娴, 王凯玥, 梁大柱, 丁静静, 江萍, 孙全富, 程金生, 戴相昆, 付晓沙, 朱静洋, 周付根
目的 评估3种深度学习(DL)算法在子宫内膜癌(EC)术后患者高剂量率近距离放射治疗(high-dose-rate brachytherapy, HDR BT)中,自动分割临床靶区(CTV)的应用结果。方法 数据集由 306 名子宫内膜癌术后患者的计算机断层扫描(CT)图像组成,按比例分为训练集(246例)、验证集(30例)和测试集(30例)。比较3种深度卷积神经网络模型(3D U-Net、3D Res U-Net和 V-Net )在CTV 分割上的性能。采用定量指标分别为戴斯相似性系数(DSC)、豪斯多夫距离(HD)、豪斯多夫距离第95 百分位数(HD95%)和交并比(IoU)。结果 在测试阶段中,3D U-Net、3D Res U-Net 和 V-Net 分割CTV得到的DSC 平均值分别为 0.90 ± 0.07、0.95 ± 0.06 和 0.95 ± 0.06;HD平均值(mm)分别为2.51 ± 1.70、0.96 ± 1.01和0.98 ± 0.95;HD95%平均值(mm)分别为1.33 ± 1.02、0.65 ± 0.91和 0.40 ± 0.72,IoU 平均值分别为0.85 ± 0.11、0.91 ± 0.09 和0.92 ± 0.09。其中,V-Net分割结果与高级临床医生勾画结果更接近,CTV 的分割时间 < 3.2 s,节省了临床医生的工作时间。结论 V-Net 在 CTV 分割方面表现最佳,定量指标和临床评估均优于其他模型。该方法与基准真实值高度一致,有效减少医生间差异,缩短治疗时间。