论文部分内容阅读
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.