典型文献
基于深度学习的多模态影像脑胶质母细胞瘤放疗靶区的自动勾画研究
文献摘要：
目的:通过建立深度学习模型，探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法:收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR)，对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画，并设计4种不同的数据集：CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练，并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果，定量评估指标包括Dice相似系数(DSC)，95% Hausdorff距离(HD95)和相对体积误差(RVE)。结果:该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果，与在单模态影像CT的自动分割结果相比(DSC: 0.94
vs. 0.79, HD95: 2.09 mm
vs. 12.33 mm and RVE: 1.16%
vs. 20.14%)，DSC(
t＝3.78，
P<0.05)和HD95 (
t＝4.07,
P<0.05)的差异有统计学意义；在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC: 0.90
vs. 0.91, HD95: 3.78 mm
vs. 2.41 mm, RVE: 3.61%
vs. 5.35%)也均有较好的一致性，但与单模态影像CT的自动分割结果相比，两个靶区的DSC和HD95的差异均无统计学意义(
P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。
结论:基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果，显示出较好的临床应用价值。
文献关键词：
胶质瘤;自动分割;3D卷积网络;多模态影像
中图分类号：
作者姓名：
田素青;许昕;姜玉良;刘应龙;戴卓捷;章卫;贾乐成;王俊杰
作者机构：
北京大学第三医院肿瘤放疗科，北京 100191;山东第一医科大学第二附属医院肿瘤科，泰安 271000;深圳市联影高端医疗装备创新研究院，深圳518045;北京联影智能影像技术研究院，北京 100094;上海联影医疗科技股份有限公司，上海 201807
文献出处：
引用格式：
[1]田素青;许昕;姜玉良;刘应龙;戴卓捷;章卫;贾乐成;王俊杰-.基于深度学习的多模态影像脑胶质母细胞瘤放疗靶区的自动勾画研究)[J].中华放射医学与防护杂志,2022(09):697-703
A类：
CTV2,MRIs
B类：
多模态影像,脑胶质母细胞瘤,瘤放疗,放疗靶区,自动勾画,深度学习模型,电子计算机断层扫描,磁共振成像,对比增强,T1C,液体衰减反转恢复序列,FLAIR,原发肿瘤,肿瘤靶区,GTV,临床靶区,CTV1,RTOG,单模,双模态数据,Net,评价测试,定量评估,Dice,相似系数,DSC,Hausdorff,HD95,RVE,自动分割,90
,上下界,脑干,眼球,影像数据,分割效果,临床应用价值,胶质瘤,卷积网络
AB值：
0.213038
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。
