人工智能在放射治療中的若干應(yīng)用研究
發(fā)布時(shí)間:2020-12-10 05:05
放射治療是惡性腫瘤的重要治療手段之一,有超過70%的惡性腫瘤患者需要接受放射治療。放射治療的基本目標(biāo)是實(shí)現(xiàn)放射治療增益比的最大化,即最大限度地將放射線劑量集中到計(jì)劃靶區(qū)(Planning TargetVolume,PTV)內(nèi),在殺滅腫瘤細(xì)胞的同時(shí),保護(hù)周圍正常組織和危及器官(Organs at Risk,OARs)少受或免受不必要的照射。放射治療的基本流程如下:(1)通過CT、MR等醫(yī)學(xué)成像儀器獲取患者圖像,由醫(yī)生手動(dòng)勾畫靶區(qū)和OARs的輪廓;(2)確定放射治療的處方劑量,通過治療計(jì)劃系統(tǒng)(Treatment Planning System,TPS)制定放射治療計(jì)劃;(3)治療實(shí)施前獲取病人擺位圖像,對(duì)病人進(jìn)行擺位校正。(4)對(duì)病人進(jìn)行治療;如果治療部位受呼吸運(yùn)動(dòng)影響,治療過程中還需要對(duì)腫瘤的運(yùn)動(dòng)進(jìn)行控制或進(jìn)行實(shí)時(shí)跟蹤預(yù)測(cè);(5)放療后明確腫瘤控制情況、評(píng)估正常組織的放性射損傷,以配合其他治療。臨床放射治療技術(shù)日趨成熟,但是仍存在諸多具有挑戰(zhàn)性的難題亟待解決。首先,靶區(qū)和OARs需要由經(jīng)驗(yàn)豐富的醫(yī)生手動(dòng)勾畫,而人工勾畫效率較低,極度依賴勾畫人員的臨床經(jīng)驗(yàn),且在不同的病人之間存在較大的差...
【文章來源】:南方醫(yī)科大學(xué)廣東省
【文章頁數(shù)】:124 頁
【學(xué)位級(jí)別】:博士
【部分圖文】:
圖1-1宮頸癌病人HDR治療時(shí)的劑量分布圖
2.2方法和材料??2.2.1迭代分割框架??如圖2-1所示,為我們提出基于3D?UNet的遞歸分割框架,其包括兩個(gè)level:??level?1的目標(biāo)是分割出較易分割的OARs:左右眼球和腦千,確定覆蓋視神經(jīng)??19??
EnUNet?is?also?empplied?for?the?other?OARs?segmentation?in?this?study.?However,?there?is?no??pre-segmentation?as?one?of?the?input?channels?in?level?1?segmentation.??如圖2-3所示為EnUNet中所采用的深度為3的3D?U-net的網(wǎng)絡(luò)結(jié)構(gòu)。本??研宄中,UNet的深度與網(wǎng)絡(luò)中使用的池化操作次數(shù)相同。網(wǎng)絡(luò)結(jié)構(gòu)中的FMs??的降米樣和重米樣分別采用max-pooling和up-sampling層實(shí)現(xiàn)。每個(gè)卷積模塊??由兩個(gè)序列順序串聯(lián)組成,每個(gè)序列由3X3><3卷積、batch?normalization、ReLu??函數(shù)激活和dropout組成。Batch?normalization[S3]已被證明可以使UNet中各層??的權(quán)值參數(shù)更新更平衡,實(shí)現(xiàn)更快速的收斂。Dr〇P〇ut[84]可有效避免過擬合。本??研究中,深度為i的卷積模塊中的dropout率如式2-1所示:??dri?=?2^-D^d_rmax?(2-1)??22??
【參考文獻(xiàn)】:
期刊論文
[1]宮頸癌放療中基于精確表面劑量累加的直腸并發(fā)癥預(yù)測(cè)模型[J]. 陳嘉偉,陳海斌,何強(qiáng),廖煜良,甄鑫. 南方醫(yī)科大學(xué)學(xué)報(bào). 2017(12)
碩士論文
[1]圖像分割和圖像配準(zhǔn)在近距離放射治療中的應(yīng)用研究[D]. 陳海斌.南方醫(yī)科大學(xué) 2015
本文編號(hào):2908131
【文章來源】:南方醫(yī)科大學(xué)廣東省
【文章頁數(shù)】:124 頁
【學(xué)位級(jí)別】:博士
【部分圖文】:
圖1-1宮頸癌病人HDR治療時(shí)的劑量分布圖
2.2方法和材料??2.2.1迭代分割框架??如圖2-1所示,為我們提出基于3D?UNet的遞歸分割框架,其包括兩個(gè)level:??level?1的目標(biāo)是分割出較易分割的OARs:左右眼球和腦千,確定覆蓋視神經(jīng)??19??
EnUNet?is?also?empplied?for?the?other?OARs?segmentation?in?this?study.?However,?there?is?no??pre-segmentation?as?one?of?the?input?channels?in?level?1?segmentation.??如圖2-3所示為EnUNet中所采用的深度為3的3D?U-net的網(wǎng)絡(luò)結(jié)構(gòu)。本??研宄中,UNet的深度與網(wǎng)絡(luò)中使用的池化操作次數(shù)相同。網(wǎng)絡(luò)結(jié)構(gòu)中的FMs??的降米樣和重米樣分別采用max-pooling和up-sampling層實(shí)現(xiàn)。每個(gè)卷積模塊??由兩個(gè)序列順序串聯(lián)組成,每個(gè)序列由3X3><3卷積、batch?normalization、ReLu??函數(shù)激活和dropout組成。Batch?normalization[S3]已被證明可以使UNet中各層??的權(quán)值參數(shù)更新更平衡,實(shí)現(xiàn)更快速的收斂。Dr〇P〇ut[84]可有效避免過擬合。本??研究中,深度為i的卷積模塊中的dropout率如式2-1所示:??dri?=?2^-D^d_rmax?(2-1)??22??
【參考文獻(xiàn)】:
期刊論文
[1]宮頸癌放療中基于精確表面劑量累加的直腸并發(fā)癥預(yù)測(cè)模型[J]. 陳嘉偉,陳海斌,何強(qiáng),廖煜良,甄鑫. 南方醫(yī)科大學(xué)學(xué)報(bào). 2017(12)
碩士論文
[1]圖像分割和圖像配準(zhǔn)在近距離放射治療中的應(yīng)用研究[D]. 陳海斌.南方醫(yī)科大學(xué) 2015
本文編號(hào):2908131
本文鏈接:http://www.lk138.cn/linchuangyixuelunwen/2908131.html
最近更新
教材專著