基于RNNU-Net深度学习模型的肺癌CT图像心脏自动勾画研究及临床可行性评估

作     者：许亚萍 孙历 张孝文 修玉涛 文晓博 崔文举 刘泉源 Xu Yaping;Sun Li;Zhang Xiaowen;Xiu Yutao;Wen Xiaobo;Cui Wenju;Liu Quanyuan

作者机构：滨州医学院附属医院放射科山东滨州256500 青岛大学青岛肿瘤研究院山东青岛266071 

出 版 物：《肿瘤预防与治疗》 (Journal of Cancer Control And Treatment)

年 卷 期：2024年第37卷第11期

页      面：960-969页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 

主　　题：深度学习 心脏 自动勾画 U-Net 

摘      要：目的:探讨基于RNNU-Net深度学习模型在肺癌CT图像上自动勾画心脏的准确率和临床可行性。方法:选取75例肺癌患者的CT图,并由相关从业人员勾画心脏标签图,制作成数据集。将数据集随机分为训练集(n=51)、验证集(n=7)和测试集(n=17),并对训练集进行数据扩充,使用戴斯相似度系数(Dice similarity coefficient,DSC)、杰卡德相似度系数(Jaccard similarity coefficient,JSC)、阳性预测率(positive predictive value,PPV)、灵敏度(sensitivity,SE)、豪斯多夫距离(Hausdorf distance,HD)、相对体积差(relative volume difference,RVD)、体积重叠误差(volumetric overlap error,VOE)对模型进行定量评价,并对比U-Net模型和低年资从业人员对心脏的勾画结果。结果:基于RNNU-Net深度学习模型的测试集DSC、JSC、PPV、SE、HD、RVD、VOE评价指标值分别为:91.06%±10.94%、85.09%±15.10%、96.01%±9.35%、88.21%±13.42%、4.66±1.26、12.45%±18.70%、13.48±20.11。RNNU-Net的大多数评价指标与低年资从业人员之间的差异有统计学意义,且RNNU-Net模型表现出更优的效果,同时散点图与箱型图结果显示,相较于低年资从业人员勾画结果,RNNU-Net模型有着更少的0值。定性评价结果显示RNNU-Net深度学习模型准确地划分了下腔静脉与心脏,边界更加平滑,且缓解了漏勾现象,同时,在心脏周围存在肿瘤侵犯的情况下有效缓解了U-Net模型的过分割现象。结论:基于RNNU-Net的深度学习模型在肺癌CT图像上的心脏自动勾画上存在一定的优势,可以缩短临床勾画时间,并有效弥补漏勾画等现象。