基于交叉学习的PET/CT双模态头颈部肿瘤分割

作者：黄正勇; 胡战利

来源：中国体视学与图像分析, 2022, 27(03): 220-229.

DOI：10.13505/j.1007-1482.2022.27.03.002

• 肿瘤分割
• 交叉学习
• PET/CT双模态
• U-Net

目的 头颈部癌症是世界最常见的癌症之一，当前的主要治疗手段是放疗。放疗的规划依赖于精确的器官分割，这个过程通常由放射科专家手动完成。人工勾画肿瘤靶区是一项非常费时、费力的工作，因此，希望开发一种全自动的医学图像分割方法。方法 在这项工作中，我们使用PET/CT双模态数据并关注如何更好地从PET/CT双模态信息中提取精确的融合特征信息。整个网络基于U-Net架构，在其中我们添加了残差学习模块和交叉学习模块，交叉学习模块的任务在于自适应地选择PET/CT的融合权重，从而获得更为精确的融合特征。结果 与U-Net以及添加了残差网络的U-Net相比，在头颈部肿瘤数据集上实验结果表明该方法是最好的。本文所提方法的Dice相似度系数(Dice Similarity Coefficient,DSC)为0.9174，召回率(Recall)为0.9264，精度(Precision)为0.9212，相对U-Net分别提升3.22%、3.56%和0.44%;豪斯多夫距离(Hausdorff Distance,HD)为4.8859，体素重叠误差(Volume Overlap Error,VOE)为0.0826，相对体素误差(Relative Volume Difference,RVD)为0.1036，相对于U-Net分别下降0.1031、0.0283和0.0788。结论 对比实验表明，本文提出的基于交叉学习的分割模型在头颈部肿瘤数据集上有效改善了分割结果，提高了分割精度。

• 单位
  中国科学院大学; 中国科学院深圳先进技术研究院