基于FC_DenseNet深度學(xué)習(xí)網(wǎng)絡(luò)自動(dòng)分割肺癌放療中的危及器官

張富利，楊安寧，路娜，蔣華勇，陳點(diǎn)點(diǎn)，郁艷軍，王雅棣

1.解放軍總醫(yī)院第七醫(yī)學(xué)中心放療科，北京100700；2.北京航空航天大學(xué)自動(dòng)化科學(xué)與電氣工程學(xué)院，北京100191

前言

在放射治療中，醫(yī)師基于CT、MRI、PET/CT 圖像提供的信息進(jìn)行靶區(qū)和危及器官（Organs at Risk,OAR）的勾畫，該過程較為費(fèi)時(shí)費(fèi)力，且勾畫質(zhì)量很大程度上取決于醫(yī)師的經(jīng)驗(yàn)［1-2］。由于在CT 圖像上比較容易區(qū)分有骨質(zhì)支撐的器官，而對(duì)于腫瘤組織與正常組織相粘連的邊界則較難以區(qū)分，這增加了醫(yī)師手動(dòng)勾畫輪廓的難度［3］。即使是同一醫(yī)師不同時(shí)間對(duì)于同一序列CT 圖像的勾畫結(jié)果也會(huì)存在一定的不一致性［4］，這些因素都會(huì)影響放療精度和療效［5］。增加勾畫的精度和一致性，提高醫(yī)師工作效率是目前醫(yī)學(xué)圖像分割中亟待解決的問題［6］。

近年來，基于深度學(xué)習(xí)的圖像自動(dòng)分割已成為放療領(lǐng)域的研究熱點(diǎn)之一。2015年Ronneberger等［7］針對(duì)醫(yī)學(xué)圖像分割提出了結(jié)構(gòu)上完全對(duì)稱的U-Net網(wǎng)絡(luò)，整體結(jié)構(gòu)包括了提取圖片特征的編碼階段，以及從壓縮后的特征圖中恢復(fù)原圖片尺寸的解碼階段，并且通過長連接將編碼階段和解碼階段相同尺寸的特征圖連接，補(bǔ)充解碼階段的圖像信息。U-Net編碼-解碼對(duì)稱的結(jié)構(gòu)成為圖像分割的經(jīng)典分割框架。同一年，He等［8］提出了ResNet殘差網(wǎng)絡(luò)，通過將一些層的學(xué)習(xí)目標(biāo)轉(zhuǎn)化為學(xué)習(xí)殘差函數(shù)，從而使得映射凸顯輸入變化的微小量，緩解了深度增加帶來的梯度消失問題。2017年Huang 等［9］提 出 了DenseNet 網(wǎng)絡(luò)，使用特征圖復(fù)用的思想以應(yīng)對(duì)監(jiān)督學(xué)習(xí)中小樣本的訓(xùn)練數(shù)據(jù)，DenseNet 網(wǎng)絡(luò)以過渡層連接多個(gè)Dense Block，將各個(gè)Dense Block 特征圖的通道進(jìn)行串聯(lián)拼接，以增加特征圖的數(shù)量，提高特征圖的利用率。……