论文部分内容阅读
目的:癌症是导致人类死亡的主要原因之一,严重阻碍着人类平均寿命的提高。放射治疗是一种常用的癌症治疗手段。放射治疗计划的制定和实施过程工作量大、耗时长,且依赖主观临床经验。人工智能技术的兴起为上述问题的解决带来了可能性。基于人工智能模型的放射治疗计划制定和实施过程具有效率更高、一致性更好等优势。因此,本课题将探索应用于放射治疗计划制定中的人工智能新技术。材料和方法:人工智能技术在放射治疗中的主要应用场景包括自动分割、自动计划、生成电子计算机断层扫描（Computed Tomography,CT）图像和自动质量保证（Quality Assurance,QA）,其中自动分割和自动计划的临床需求量更大。因此,本课题将利用深度学习技术来实现放射治疗实施前的靶区自动分割和放射治疗计划的剂量预测,以提高放射治疗的效率和精度。本课题以鼻咽癌为例进行实验探索。对于靶区勾画任务,我们基于注意力机制设计了多模态信息融合模块,利用磁共振成像（Magnetic Resonance Imaging,MRI）的信息来辅助CT图像中的肿瘤分割。本实验纳入了192例鼻咽癌患者,这些患者的数据中均包含CT图像、MRI和肿瘤的掩膜。实验中将数据集划分为训练集、验证集和测试集,分别包含134、20和38例患者。分别验证了模型中的域对齐模块和多模态信息融合分割网络的性能。对于剂量预测任务,我们设计了距离变换模块,在模型中引入了距离先验信息,以提高剂量预测的精度。本实验纳入了201例鼻咽癌患者,其中有40例来自另一医院,将作为外部测试集使用,这些患者的数据中均包含计划CT、感兴趣区域的掩膜和临床计划。实验中将内部数据集划分为训练集、验证集和测试集,分别包含130、11和20例患者,对比了有无距离变换模块时的剂量预测性能。结果:对于靶区勾画任务,首先通过MRI序列筛选确定了T2图像能够辅助CT图像中的肿瘤分割。随后在CT和T2图像中分割肿瘤,基于配准的多模态图像的肿瘤分割结果的Dice相似系数（Dice similarity coefficient,DSC）、95%豪斯多夫距离（95%Hausdorff Distance,HD95）和平均对称表面距离（Average Symmetry Surface Distance,ASSD）分别为0.7181、9.6637mm和2.8014mm,基于图像生成的多模态图像的肿瘤分割结果的DSC、HD95和ASSD分别为0.7062、9.7620mm和2.8882mm,整体上均优于单一CT图像的肿瘤分割结果（0.7020、10.0757mm和3.0472mm）。对于剂量预测任务,我们分别对预测的剂量分布和逆向计划结果进行评估。我们所提出的模型预测的剂量分布的剂量误差和剂量-体积直方图（dose-volume histogram,DVH）误差分别比基于Mask的方法低7.51%和11.6%。我们提出的模型得到的逆向计划在鼻咽癌肿瘤区（nasopharynx gross tumor volume,GTVnx）和危及器官上的性能表现与基于Mask的方法相近,在淋巴（lymph node gross tumor volume,GTVnd）和临床靶区（clinical target volume,CTV）上表现更佳,通过率分别从89.490%和90.016%提高到了96.694%和91.189%。结论:上述的靶区勾画及剂量预测模型均通过了实验的验证,表现出了良好的性能,为人工智能技术辅助放射治疗计划制定带来新的研究方向,也为自动高效的放射治疗计划制定和实施带来了新的可能性。