鼻咽癌原发肿瘤放疗靶区的自动分割

目的 放射治疗是鼻咽癌的主要治疗方式之一，精准的肿瘤靶区分割是提升肿瘤放疗控制率和减小放疗毒性的关键因素，但常用的手工勾画时间长且勾画者之间存在差异。本文探究Deeplabv3+卷积神经网络模型用于鼻咽癌原发肿瘤放疗靶区（primary tumor gross target volume，GTVp）自动分割的可行性。方法 利用Deeplabv3+网络搭建端到端的自动分割框架，以150例已进行调强放射治疗的鼻咽癌患者CT（computed tomography）影像和GTVp轮廓为研究对象，随机选取其中15例作为测试集。以戴斯相似系数（Dice similarity coefficient，DSC）、杰卡德系数（Jaccard index，JI）、平均表面距离（average surface distance，ASD）和豪斯多夫距离（Hausdorff distance，HD）为评估标准，详细比较Deeplabv3+网络模型、U-Net网络模型的自动分割结果与临床医生手工勾画的差异。结果 研究发现测试集患者的平均DSC值为0.76±0.11，平均JI值为0.63±0.13，平均ASD值为（3.4±2.0）mm，平均HD值为（10.9±8.6）mm。相比U-Net模型，Deeplabv3+网络模型的平均DSC值和JI值分别提升了3%~4%，平均ASD值减小了0.4 mm，HD值无统计学差异。结论 研究表明，Deeplabv3+网络模型相比U-Net模型采用了新型编码—解码网络和带孔空间金字塔网络结构，提升了分割精度，有望提高GTVp的勾画效率和一致性，但在临床实践中需仔细审核自动分割结果。

Auto-segmentation of high-risk primary tumor gross target volume for the radiotherapy of nasopharyngeal carcinoma