宫颈癌后装治疗中基于U-net的自动施源器分割

摘要

目的 在CT引导的宫颈癌三维后装治疗计划制定中,应用U-net模型完成施源器的自动分割.方法 基于U-net网络创建深度学习模型,将2019年12月—2020年10月的27例宫颈癌患者数据经过预处理后写入数据集,按照15:2:10的比例将数据集划分为训练集、验证集和测试集.将训练集和验证集数据放入模型中训练并验证,并将测试集数据应用到训练好的神经网络中分割出施源器,采用戴斯相似性系数(DSC)、95百分位豪斯多夫距离(HD95)、相关体积差异(RVD)、精确率和召回率对模型进行评价.结果 10例测试集患者平均的DSC为0.90,HD95为1.26 mm,RVD为-0.06,精确率为0.94,召回率为0.88,分割时间为5 s.结论 本研究利用U-net网络实现了宫颈癌三维后装治疗计划制定施源器的自动分割,可将其应用于施源器的重建,于实现临床计划制定的自动化具有较大意义.