钱杰伟, 张获, 柏正璐, 李军, 程品晶, 耿长冉, 刘萍
目的 基于深度学习神经网络模型,利用宫颈癌放射治疗(简称“放疗”)患者的定位CT影像和对应磁共振影像,建立宫颈癌放疗临床靶区(Clinical Target Volume,CTV)和危及器官(Organs at Risk,OAR)的多模态图像自动勾画模型。方法 回顾性收集2022年1月至2023年9月于江苏省苏北人民医院行宫颈癌放疗的150例患者定位CT和对应的磁共振图像(T2模态)并进行预处理,采用随机抽样的方法将其分为训练集100例,验证集25例,测试集25例。同时,输入基于深度学习神经网络构建的自动勾画模型进行训练和验证后,对测试集进行自动勾画。以医师手动勾画结果为“金标准”,计算自动勾画模型对宫颈癌CTV和OAR(小肠、膀胱、直肠、左右肾脏、左右股骨头)的自动勾画精度,并记录勾画用时。结果 自动勾画模型对CTV和OAR(小肠、膀胱、直肠、左右肾脏、左右股骨头)的Dice相似性系数分别为0.87±0.03、0.79±0.04、0.95±0.04、0.88±0.04、0.96±0.02、0.96±0.03、0.92±0.03、0.93±0.03,95%的豪斯多夫距离分别为(5.12±1.45)、(22.37±15.68)、(1.27±0.31)、(5.45±1.56)、(1.15±0.21)、(1.22±0.25)、(4.51±2.38)、(4.56±2.77)mm,交叉指数分别为0.88±0.05、0.83±0.04、0.97±0.02、0.91±0.04、0.97±0.02、0.97±0.03、0.98±0.02、0.98±0.01,勾画用时分别为(0.53±0.09)、(0.36±0.06)、(0.08±0.02)、(0.09±0.03)、(0.03±0.01)、(0.03±0.01)、(0.04±0.01)、(0.04±0.01)min,完整勾画1例病例的用时为(1.20±0.24)min,且所有差异均有统计学意义(P<0.05)。结论 本研究基于多模态图像的自动勾画模型可较准确地对宫颈癌放疗CTV和OAR进行自动勾画,为临床医师的勾画提供一定参考并节约大量时间。