利用GDL残差U?net模型分割放疗定位CT图像上甲状腺的初步研究

目的:探讨基于广义Dice损失函数(GDL)残差U?net神经网络模型(GDLResU?net)在放疗定位CT图像上甲状腺分割的准确性.方法:选取76例乳腺癌或鼻咽癌患者的放疗定位CT图,由影像学专家勾画标签图,将患者影像数据随机分为训练集(n=59)、验证集(n=8)和测试集(n=9).采用旋转、翻转、缩放和剪切对训练集进行扩充,并使用戴斯相似度系数(DSC)、杰卡德相似度系数(JSC)、阳性预测率(PPV)、灵敏度(SE)、豪斯多夫距离(HD)评价指标对模型进行性能评估.结果:GDLResU?net模型分割的甲状腺相较于基于Dice损失函数的U?net模型(DLU?net)和基于GDL损失函数的U?net模型(GDLU?net),甲状腺的分割能力有所提高.相较于DLU?net模型,GDLResU?net测试集评价指标DSC、JSC、PPV、SE分别提高了0.06、0.07、0.03、0.06,HD降低了0.33;相较于GDLU?net模型,GDLResU?net测试集评价指标DSC、JSC、PPV、SE分别提高了0.03、0.04、0.04、0.01,HD降低了0.22.结论:对于放疗定位CT甲状腺的分割,GDLResU?net模型相较于DLU?net和GDLU?net模型有着更好的分割效果,且可以较为准确地分割甲状腺,但精度仍存在欠缺,应在此基础上进一步提高精准度.