论文部分内容阅读
鼻咽癌是一种常见的恶性肿瘤，尤其在中国南部、东南亚等地区发病率较高。鼻咽癌的首选治疗方法是放射治疗，经过放疗后，鼻咽癌患者的五年生存率能达到50％以上。靶区勾画是制定放疗计划过程中基础且至关重要的一步，目前，主要由放疗科医生手工逐层进行勾画，这是一项非常费时且乏味的工作。因此，在实际临床工作中，迫切需求能自动分割鼻咽癌的计算机辅助系统帮助减轻放疗科医生的工作负担。
计算机断层扫描(CT)图像是制定放疗计划所必须的图像模态。然而，鼻咽部肿瘤在CT图像中往往并不显示清晰可见的特征。鼻咽部肿瘤在正电子发射断层扫描(PET)图像中显示为高亮区域，但PET图像空间分辨率低，且某些正常组织（如大脑）在PET图像中也显示为高亮区域，仅基于PET图像并不能准确定位肿瘤边界。实际临床工作中常参考PET、CT两种模态的图像，PET图像提供肿瘤的位置信息，CT图像指示正常组织的位置及边界，两种模态相结合为靶区勾画提供更精确的参考。
近几年，基于深度学习的医学图像分割取得了与人类专家水平相当的结果。本文应用医学图像分割中常用的U-net网络基于双模态PET-CT图像实现鼻咽癌的自动分割。分割之前，对不同病人间的数据进行了三维仿射配准，将图像对齐至统一的空间。为了缓解过拟合问题，在训练的过程中进行了在线数据扩增。为了利用两种模态的图像信息，本文中的U-net网络有两个输入通道。针对医学图像分割中类分布严重不平衡的问题，根据所收集的数据特点，设计了加权的交叉熵损失函数来增大肿瘤像素点的误差。本文也提出了简单有效的后处理步骤来减少假阳性像素点的个数。三折交叉验证实验获得了0.8614的平均Dice得分。
为了提取具有高度表达力的特征，网络结构非常深，这可能导致梯度消失的问题，使得浅层网络的参数并没有被训练至最优。针对这个问题，本文提出了带有辅助路径的U-net网络。辅助路径引入的深度监督直接指导浅层的网络参数的优化，从而使这些层能够学习更具表达力的特征。通过添加辅助路径，三折交叉验证实验获得了0.8747的平均Dice得分，这在鼻咽癌分割领域高于迄今文献所报道的最好的结果，也表明添加辅助路径是一项有用的策略。本文也通过三折交叉实验验证了所提出的方法中几个主要成分对最终分割性能的影响，如配准过程、后处理过程、CT图像的影响等。另外，本文也探索了不同的损失函数及不同的网络结构在我们的鼻咽癌分割工作中的潜能。
计算机断层扫描(CT)图像是制定放疗计划所必须的图像模态。然而，鼻咽部肿瘤在CT图像中往往并不显示清晰可见的特征。鼻咽部肿瘤在正电子发射断层扫描(PET)图像中显示为高亮区域，但PET图像空间分辨率低，且某些正常组织（如大脑）在PET图像中也显示为高亮区域，仅基于PET图像并不能准确定位肿瘤边界。实际临床工作中常参考PET、CT两种模态的图像，PET图像提供肿瘤的位置信息，CT图像指示正常组织的位置及边界，两种模态相结合为靶区勾画提供更精确的参考。
近几年，基于深度学习的医学图像分割取得了与人类专家水平相当的结果。本文应用医学图像分割中常用的U-net网络基于双模态PET-CT图像实现鼻咽癌的自动分割。分割之前，对不同病人间的数据进行了三维仿射配准，将图像对齐至统一的空间。为了缓解过拟合问题，在训练的过程中进行了在线数据扩增。为了利用两种模态的图像信息，本文中的U-net网络有两个输入通道。针对医学图像分割中类分布严重不平衡的问题，根据所收集的数据特点，设计了加权的交叉熵损失函数来增大肿瘤像素点的误差。本文也提出了简单有效的后处理步骤来减少假阳性像素点的个数。三折交叉验证实验获得了0.8614的平均Dice得分。
为了提取具有高度表达力的特征，网络结构非常深，这可能导致梯度消失的问题，使得浅层网络的参数并没有被训练至最优。针对这个问题，本文提出了带有辅助路径的U-net网络。辅助路径引入的深度监督直接指导浅层的网络参数的优化，从而使这些层能够学习更具表达力的特征。通过添加辅助路径，三折交叉验证实验获得了0.8747的平均Dice得分，这在鼻咽癌分割领域高于迄今文献所报道的最好的结果，也表明添加辅助路径是一项有用的策略。本文也通过三折交叉实验验证了所提出的方法中几个主要成分对最终分割性能的影响，如配准过程、后处理过程、CT图像的影响等。另外，本文也探索了不同的损失函数及不同的网络结构在我们的鼻咽癌分割工作中的潜能。