基于增强增强特征的深度学习分类方案用于脑癌患者视区危及器官分割

放射治疗已成为治疗脑癌患者的首选技术之一。在治疗过程中，极高剂量的辐射被投射至极狭窄的区域。脑癌的放射治疗处方要求精确定义目标治疗区域，并勾画必须免受放射毒性的关键脑部结构。然而，勾画任务通常仍由人工完成，效率低下且依赖于操作者。已有若干实现该过程自动化的尝试见诸报道，但在分析视区器官时结果差强人意。在本工作中，我们提出了一种基于增强增强特征的深度学习分类方案，用于自动分割视区——即视神经、视交叉、垂体和垂体柄——的危及器官。回顾性收集了15例具有不同类型脑肿瘤的 MR 图像，进行手动和自动分割。报告的平均 Dice 相似系数约为0.80。所提特征的引入改善了分割效果。与支持向量机相比，我们的方法取得了更好的性能，结果变异性更小，且分类时间大幅减少。还针对手动轮廓评估了所提方法的性能。在此情形下，由自动轮廓获得的结果基本处于观察者的变异性范围内，与观察者相比无显著差异。因此，这些结果表明，迄今为止，所提系统在分割这些结构方面比其他已提出的方法更为准确。该过程的速度、可重复性和鲁棒性使得所提出的基于深度学习的分类系统成为辅助脑癌小 OAR 勾画任务的有价值工具。