深度卷积神经网络在放射治疗计划图像分割中的应用.pdf

【深度卷积神经网络在放射治疗计划图像分割中的应用】 深度学习是近年来人工智能领域的一个重要突破，其中深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）在图像处理和计算机视觉任务中表现出卓越的性能。在放射治疗计划中，精确的图像分割对于确定治疗靶区和保护正常组织至关重要。本文主要探讨了如何利用深度学习技术，特别是深度卷积神经网络，来提升放射治疗计划图像的自动分割精度。 全卷积网络（Fully Convolutional Network, FCN）是深度学习在图像分割领域的核心工具，它通过卷积操作直接输出像素级别的预测，适用于大规模像素分类任务。然而，标准的FCN可能在处理高分辨率图像时面临计算效率和细节保留的问题。为了解决这些问题，研究者们引入了空洞卷积（Atrous Convolution, AC），也称为扩张卷积，它可以增加感受野的同时保持计算量不变，有助于捕捉更广阔的上下文信息，从而在图像分割中提高精度。 本文中，研究人员提出了一个改进的全卷积神经网络模型，称为带孔全卷积神经网络（Dilated Fully Convolutional Network, D-FCN），它结合了FCN和AC，旨在优化高分辨率放射治疗计划图像的自动分割。通过选取122套已由放疗医师手动勾画的胸部CT图像数据集，将其中71套作为训练集，31套作为验证集，20套作为测试集，对8种不同的网络模型（包括5种公开的FCN模型和3种D-FCN模型）进行了训练和评估。 在训练过程中，每种网络模型都进行了调优，以在训练集上达到最佳性能。使用验证集图像对这些模型进行自动器官识别和勾画验证，以确定最佳分割模型。对测试集图像应用这些最佳模型进行分割，评估了它们与医师手动勾画的相似度系数（Dice系数）。实验结果显示，改进的D-FCN 4s网络模型在测试中取得了最优的自动分割效果，其全局Dice系数达到了94.38%，对于左肺、右肺、心包、气管和食道等单个结构的Dice系数分别为96.49%、96.75%、96.27%、61.51%和65.63%。 这项研究证明了D-FCN网络模型在放射治疗计划图像分割中的高效性和准确性，特别是在多目标分割任务中。这种深度学习方法的实施能够显著提高胸部放射治疗图像的自动分割精度，减轻放疗医师的工作负担，提高治疗计划的效率和质量。 关键词：深度学习；卷积神经网络；医学影像分割；相似度系数；放射治疗 中图分类号：R8H.1 文献标志码：A 文章编号：1005.202X (2018)06.0621.07 深度卷积神经网络在放射治疗计划图像分割中的应用展示了深度学习技术在医疗领域的重要潜力，尤其是在精准医疗和自动化辅助诊断方面。未来的研究将进一步优化这些模型，以适应更多类型的医疗图像和更复杂的分割任务，推动医疗影像分析技术的发展。