论文部分内容阅读
影像引导放射治疗技术(Image-Guided Radiotherapy Technique,IGRT)是目前精准放疗中最重要的手段,用于初步定位和放疗摆位,提供位置信息用于病灶精准定位和肿瘤照射,在放射治疗中广泛应用。IGRT依赖锥形束计算机断层摄影术(Cone-Beam Computed Tomography,CBCT)系统质量去验证治疗床的定位和放射治疗的监测,直接影响影像引导放疗过程的准确性。CBCT图像质量受到多种因素的影响,其质量评价指标是指CT值线性、空间分辨力、低对比度分辨力和均匀性,利用Catphan 504模体完成四种指标的自动评价关键技术是对模体中CTP404模块各个插件的自动定位。实现自动定位的前提是分割出各个插件,分割技术主要是传统的方法和机器学习的方法。CTP404模块有多个密度不同的插件,且在轴向切片图像中插件像素数占总的图像像素数的8%(图像大小为512×512),考虑到分割目标是多类,且对分割精度有一定的要求,将结合深度学习和传统分割方法。本文主要研究内容为:(1)探讨了U-Net模型结构以及基于U-Net的改进模型。U-Net模型虽然实现了多目标的分割,但在网络训练阶段和验证阶段的训练精度和对低层次较小特征的识别有待进一步提高,则在U-Net模型的基础上在前向卷积层中加入残差块和循环卷积层,以提高网络训练精度和对低层次特征的识别度。所以,基于U-Net模型的基础上研究了基于U-Net的残差网络、基于U-Net的循环卷积神经网络和基于U-Net的残差循环卷积神经网络。(2)通过在CBCT系统上采集的Catphan504模体数据对四种网络模型进行训练、测试,其中252张图像用于训练,63张图像用于测试。根据评价指标戴斯相似性系数和综合评价指标对分割目标插件Air、PMP、LDPE、Delrin和Teflon进行定量分析,比较各种模型的分割结果,获得基于U-Net的残差循环卷积神经网络模型的分割结果在四种模型中最好;再利用摩尔邻域追踪算法处理R2U-Net模型结果的边缘,获得更精确的结果以达到定位的目的。