بررسی الگوریتم های یادگیری عمیق به عنوان ابزار خودکار قطعه بندی تصاویر سی تی اسکن لگنی

طراحی پرتودرمانی نیازمند شناسایی و قطعه بندی دقیق اندام های در معرض خطر (OAR) است، که به طور معمول عملیاتی دستی و زمان بر می باشد. هدف از این پژوهش، بررسی امکان استفاده از الگوریتم های یادگیری عمیق به عنوان ابزاری خودکار برای قطعه بندی تصاویر سی تی اسکن است. از این رو عملکرد چند شبکه عصبی کانولوشنال (CNN) شامل U-Net، Residual U-Net و SegResNet به عنوان ابزارهای قطعه بندی خودکار اندام های در معرض خطر در تصاویر سی تی اسکن لگنی (مثانه، پروستات، رکتوم، استخوان فمورال چپ و استخوان فمورال راست) با قطعه بندی دستی توسط متخصص مقایسه شد. این مطالعه، شامل ۲۳۸ بیمار برای قطعه بندی پروستات و ۲۱۸ بیمار برای چهار اعضای دیگر بود. عملکرد مدل ها با استفاده از معیارهایی نظیر ضریب شباهت دایس، شاخص ژاکارد و معیار فاصله هاسدورف ارزیابی شد. مدل SegResNet با ارائه بهترین عملکرد، توانست به ضریب دایس ۰/۹۵۶، ۰/۸۳۲، ۰/۸۶۴، ۰/۹۸۰ و ۰/۹۸۵ به ترتیب برای مثانه، پروستات، رکتوم، فمورال چپ و فمورال راست دست یابد. به طور خلاصه، نتایج حاصله نشان می دهد که شبکه های عصبی کانولوشنال در عین حال که می توانند قطعه بندی اعضای در معرض خطر در طراحی پرتودرمانی را با دقت بالایی انجام دهند (استخوان ها و مثانه بالاتر از ۹۵درصد و رکتوم و پروستات بالای ۸۳درصد)، فرایند قطعه بندی را نیز تسریع می بخشند.

کلیدواژه ها:

قطعه بندی ، اندام های در معرض خطر ، شبکه های عصبی کانولوشنال ، سی تی اسکن ، پروستات