基于深度学习融合模型的算法在宫颈癌术后患者直肠自动分割中的应用研究

摘要

目的:针对宫颈癌术后患者直肠形态变化大、难以自动分割的研究难点,运用Dense V-networks网络模型,基于低数量样本进行训练,实现基于CT图像的直肠三维自动分割.方法:融合密集卷积网络(densely connected convolutional networks,DenseNets)与V型网络(V-network)2个网络模型,生成同时具备密集连接和残差结构的Dense V-networks网络模型,以降低需调整的参数数目、减少冗余计算,加快收敛速度,有效地解决训练三维数据时随深度增加出现的梯度消失/爆炸问题;其次选用100例宫颈癌术后患者的盆腔CT图像数据进行标注,其中80例作为训练集,20例作为测试集.将医生手动分割的直肠轮廓作为金标准,采用戴斯相似性系数、豪斯多夫距离、敏感性指数等6个指标分析融合模型的准确性.结果:6个指标平均值分别为0.84(戴斯相似性系数)、2.11 mm(豪斯多夫距离)、0.77(敏感性指数)、0.78(包容性指数)、2.46 mm(平均距离差)和0.71(质心偏差).融合模型算法分割的直肠轮廓与医生手动分割的直肠轮廓重合度高.结论:在训练样本数量较少情况下,Dense V-networks融合模型算法可实现对形态差异较大的宫颈癌术后患者直肠的高效、精准分割.