基于級聯3D U-Net的CT和MR視交叉自動分割方法

沈鎮炯，彭昭，孟祥銀，汪志，2，徐榭，3，裴曦，4

1.中國科學技術大學核醫學物理研究所，安徽合肥230025；2.安徽醫科大學第一附屬醫院腫瘤放療科，安徽合肥230022；3.中國科學技術大學附屬第一醫院放療科，安徽合肥230001；4.安徽慧軟科技有限公司，安徽合肥230088

前言

放療要求確保腫瘤靶區接受足夠的處方劑量照射的同時，避免靶區周邊危及器官正常組織受到過多的損傷［1-2］。因此，精準可靠的危及器官分割是制定放療計劃的一個必備條件。傳統的手工分割非常耗時，而且準確性受醫生個體經驗所限［3-4］。因此，近年來基于多圖譜和深度學習的自動分割方法逐漸受到了更多的關注，其中基于深度學習的方法在圖像分割領域取得了更好的成果［5-7］。在醫學圖像分割領域，絕大多數的深度學習分割算法都基于卷積神經網絡（CNN）［8］和U-Net［9］。Zhou 等［10］為解決3D 圖像內存制約計算性能的問題，提出先以一個點提取感興趣區域（ROI）進行分割后，再進行更精確的ROI提取，反復迭代至收斂。Han等［11］則使用粗分割結果提取肝臟的ROI。Isensee 等［12］提出級聯U-Net 用于心臟、肝臟等器官的分割。Sun 等［13］將級聯模型應用于眼睛及周邊器官的分割，提出先定位后分割的方法可以提高小體積危及器官的分割性能。但是，他們都沒有將級聯模型應用于視交叉的分割。在垂體腺瘤和視神經膠質瘤的放射治療中，視交叉的定位對于評估視交叉受壓情況和預后的視覺恢復非常重要［14-15］。Bekes 等［16］提出的依據CT 圖像的半自動分割算法在眼球和晶體上表現很好，但是分割視交叉的效果不佳，準確度只有眼球的65%。……