目的训练和评价一种基于U-Net的自动分割方法对乳腺癌危及器官(Organs at Risks,OARs)的勾画。方法实验选取140例乳腺肿瘤病例,其中120例作为训练集,用于建立基于U-Net自动勾画模型,其余20例作为测试集,用于测试自动勾画方法的勾画准确...目的训练和评价一种基于U-Net的自动分割方法对乳腺癌危及器官(Organs at Risks,OARs)的勾画。方法实验选取140例乳腺肿瘤病例,其中120例作为训练集,用于建立基于U-Net自动勾画模型,其余20例作为测试集,用于测试自动勾画方法的勾画准确性,采用戴斯相似系数(Dice Similarity Coefficient,DSC)及平均最小距离(Mean Distance to Agreement,MDA)对所训练的自动勾画模型的勾画结果进行评估,并与有相同训练集及测试集的基于atlas的自动勾画方法进行比较。结果基于U-Net的自动勾画模型比基于atlas的自动勾画方法所勾画的OARs的DSC均值均高;且基于U-Net的自动勾画模型勾画的OARs的MDA均值较后者均低。两种自动勾画方法在双侧肺、健侧乳腺及心脏的DSC值差异以及在左肺、健侧乳腺及心脏的MDA值差异均具有统计学意义(P<0.05)。结论基于U-Net的自动勾画模型在乳腺癌危及器官勾画中具有较好的勾画效果,且其勾画准确性较基于atlas的自动勾画方法的高。展开更多
文摘目的训练和评价一种基于U-Net的自动分割方法对乳腺癌危及器官(Organs at Risks,OARs)的勾画。方法实验选取140例乳腺肿瘤病例,其中120例作为训练集,用于建立基于U-Net自动勾画模型,其余20例作为测试集,用于测试自动勾画方法的勾画准确性,采用戴斯相似系数(Dice Similarity Coefficient,DSC)及平均最小距离(Mean Distance to Agreement,MDA)对所训练的自动勾画模型的勾画结果进行评估,并与有相同训练集及测试集的基于atlas的自动勾画方法进行比较。结果基于U-Net的自动勾画模型比基于atlas的自动勾画方法所勾画的OARs的DSC均值均高;且基于U-Net的自动勾画模型勾画的OARs的MDA均值较后者均低。两种自动勾画方法在双侧肺、健侧乳腺及心脏的DSC值差异以及在左肺、健侧乳腺及心脏的MDA值差异均具有统计学意义(P<0.05)。结论基于U-Net的自动勾画模型在乳腺癌危及器官勾画中具有较好的勾画效果,且其勾画准确性较基于atlas的自动勾画方法的高。
