典型文献
增强轮廓约束的自动分割模型在乳腺癌术后放疗中的应用研究
文献摘要：
目的 构建端到端深度学习研究平台,实现乳腺癌改良根治术后胸壁临床靶体积(CTV)和危及器官(OAR)自动分割模型训练,并通过轮廓约束以改进损失函数来提高模型的分割精度.方法 入组2018-01-16-2020-07-29北京大学人民医院(115例)和烟台毓璜顶医院(58例)左侧乳腺癌改良根治术后患者,前者随机分为70例训练集、5例验证集、40例测试集(A组),后者58例全部作为外部测试集(B组).针对常规的戴斯损失函数(Dice Loss)未对轮廓进行约束的问题,本研究创新性设计了增强轮廓正则化约束的损失函数(CURC Loss).分别进行了损失函数对比实验和训练集规模实验,使用戴斯相似性系数(DSC)和豪斯多夫距离(HD)来评估模型的分割效果,以及配对样本t检验以验证统计差异性.结果 在测试集A组中,Dice Loss模型和CURC Loss模型的平均表现分别为0.87/6.43 mm和0.9/5.55 mm(DSC/HD),后者在CTV、心脏等器官相比于前者具有显著性优势.在测试集B组中,两者的平均表现为0.85/7.42和0.89/5.65 mm(DSC/HD),后者在CTV、心脏、右肺和食管的分割精度上相比前者有统计学意义的提升,P<0.05.此外,CURC Loss模型在仅使用10例训练数据的条件下,在测试集A组中和使用70例数据训练的分割精度相近,使用40例训练数据能在测试集B组中达到和70例训练集相近的分割精度.结论 本研究针对乳腺癌改良根治术后的自动分割任务提出了CURC Loss,相比于Dice Loss,能够使深度学习模型的分割精度有明显提升,且在外部测试集上的表现更加稳定.同时,CURC Loss能够在较少的训练数据量的情况下达到较高的精度.
文献关键词：
乳腺癌;术后放疗;自动分割;轮廓约束;损失函数
中图分类号：
作者姓名：
李夏南;姜伟;张炜;陈亚林
作者机构：
北京大学人民医院放疗科,北京 100044;烟台毓璜顶医院放疗科,山东 烟台 264000;福建自贸试验区厦门片区 Manteia数据科技有限公司,福建 厦门 361000
文献出处：
引用格式：
[1]李夏南;姜伟;张炜;陈亚林-.增强轮廓约束的自动分割模型在乳腺癌术后放疗中的应用研究)[J].中华肿瘤防治杂志,2022(05):351-357
A类：
轮廓约束,CURC
B类：
自动分割模型,乳腺癌术后,术后放疗,端到端,学习研究,研究平台,乳腺癌改良根治术,根治术后,胸壁,临床靶体积,CTV,危及器官,OAR,模型训练,过轮,损失函数,北京大学人民医院,烟台,毓璜顶,左侧乳腺癌,术后患者,训练集,验证集,测试集,Dice,Loss,行约,研究创新,创新性设计,正则化约束,相似性系数,DSC,豪斯多夫距离,HD,分割效果,右肺,食管,训练数据,数据训练,中达,深度学习模型,数据量,下达
AB值：
0.256031
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
