基于深度学习的放疗靶区自动勾画研究

Accurate segmentation of the target volume is a prerequisite for accurate radiotherapy, which directly affects the success or failure of tumor treatment. The current delineation of target is mainly done by manual drawing, which is time-consuming, laborious and easy to be affected by subjective factors. Although the Atlas-based auto-segmentation is thought can save time of delineation, the results are rarely directly accepted by doctor and still need to be modified. Our previous study in artificial intelligence (AI) have confirmed that AI has a great advantage in medical image processing. In this project, we try to realize AI through deep learning, and further evaluate its application in target accurate segmentation. We will explore to explore a method of establishing high quality target database, use different classic convolution neural network (CNNs) model to realize segmentation automation, and finally compare results of the different models. We will for the first time perform hyper-parameter optimization of CNNs model in medical image processing, and propose a new model of deep learning, so as to develop the most suitable CNNs architecture for target auto-segmentation and the corresponding optimal parameters. Our purpose is to fundamentally realize automatic target delineation, and the results are of great significance to the development of radiotherapy.

靶区的准确勾画是确保精确放疗的先决条件，直接影响到肿瘤治疗的成败。目前临床上靶区的勾画主要通过手动勾画完成，费时、费力而且准确性容易受主观因素影响。基于图谱库的自动轮廓勾画虽能节约靶区勾画时间，但其结果很少能被医生直接接受，仍然需要进行修改，并不能满足临床要求。我们前期在人工智能领域进行了深入的研究，发现人工智能在医学影像处理上具有极大优势。因此，我们提出通过使用人工智能领域的深度学习技术实现放疗靶区自动勾画，并对其应用展开深入探讨。本项目拟探索建立高质量靶区数据库的方法，尝试使用不同的卷积神经网络（CNNs）经典模型实现靶区的自动勾画，并比较各个模型的结果。同时将首次在医学图像处理问题中进行CNNs模型超参数优化的研究。并尝试提出新的深度学习模型，以研究出最适用于放疗靶区自动勾画的模型及其最优超参数设置，从根本上实现精确的靶区自动勾画，对未来放疗的发展具有重要的意义。

放疗靶区的准确勾画是确保精确放疗的先决条件，直接影响到肿瘤治疗的成败。目前临床上靶区的勾画主要通过手动勾画完成，费时、费力而且准确性容易受主观因素影响。本项目在基金的资助下，开展了基于深度学习技术的放疗靶区自动勾画的研究。按照预定的研究计划，本项目完成了原定的研究目标，并取得了一些列的研究成果。通过探索我们建立了高质量的放疗靶区数据库，成功搭建了放疗深度学习平台。我们创建了不同的经典卷积神经网络模型来实现靶区自动勾画，比如ResNet和U-Net。同时我们根据放疗靶区自动勾画的具体特点设计了新的卷积神经网（比如SEB-Net），并改进了损失函数提高勾画的准确度。按计划我们完成了鼻咽癌和肺癌的放疗靶区自动勾画，此外根据国内外研究进展和临床需求，我们同时实现了改良根治术后乳腺癌和宫颈癌后装放疗靶区的自动勾画。本研究所创建的方法提高了自动勾画的准确性，满足临床的要求，在临床中应用可提高工作效率，对智能放疗的发展具有重要意义。. 本项目按照预定研究计划执行，基于该项目的资助，申请人团队共发表论文12篇，申请专利1项，协助培养硕士毕业生1名，在国内外学术会议上进行口头报告4次，达到了预期研究成果。