医学论文哪里有？本研究创新提出解剖学指导的CTV描绘网络将OARs与生成CTV的空间结构关系作为限制条件，被反馈并训练描绘CTV网络，使得训练过程不仅仅关注与生成的CTV轮廓与临床CTV轮廓的差距也受限于生成CTV轮廓与膀胱、股骨头和小肠的位置关系，描绘过程趋近于临床实践，符合临床指南要求，为临床的可应用型打下基础。
1 前言
1.1 直肠癌放射治疗的进展
目前直肠癌是最致命最常见的恶性肿瘤之一，每年全世界有超过30万的人因此死亡，发病率在恶性肿瘤中排名第八[1]。放射治疗是直肠癌的一种有效治疗方法，它通过不同剂量的放射来杀死肿瘤细胞。放射治疗需要针对患者的精确治疗计划，以确保辐射剂量精确投射到靶肿瘤细胞。采用二维放疗技术治疗，其中束数和形状有限，三维放疗具有更高的精确度和更少的副作用[2-4]。近几十年来，随着成像方式和加速器的进步，三维放射治疗技术，如适形放射治疗（Conformal Radiation Therapy， CRT）、调强放射治疗（Intensity Modulated Radiation Therapy，IMRT）和容积调强放射治疗（Volumetric Modulated Arc Therapy，VMAT）正在成为主流[4-8]。
在标准的三维放射治疗工作流程中，首先是对患者进行成像扫描，通常为计算机断层扫描（Computed Tomography，CT）或核磁共振（Magnetic Resonance，MR），放射治疗师根据获得的图像创建治疗计划。调强放射治疗是目前临床上典型的放射治疗技术[9,10]。其显著特点包括均匀、全剂量覆盖靶区，靶区周围有明显的剂量衰减，它可以将处方剂量精确传递到临床目标体积（Clinical Target Volumes， CTV），并将剂量最小化到危及器官（Organs At Risks，OARs）[11,12]。因此，它需要CTV和OARs的精确轮廓，这项工作通常有肿瘤医生依据临床指南[13,14]完成。多项研究表明，不同肿瘤医生之间的一致性较差。不同医院，不同工作经验的肿瘤医生间的差异尤其明显[15,16]，此外在CT图像上手动逐层绘制CTV非常耗时。
3 实验结果
3.1 评价指标
本研究采用客观指标和主观打分对模型性能进行了评估。客观指标为DSC、TPVF和PPV，其定义如下：
我们的主观评估方法参考Song等人提出的方法[37]。根据国际直肠癌放射治疗指南[14]，使用直肠系膜结构完全包括在内、骶前节区完全包括在内、后外侧淋巴结区域完全包括在内、股骨头上缘的髂骨外淋巴结包括在内与整个坐骨直肠窝不包括在内这五项标准来评估CTV轮廓的质量。邀请3名具有10年以上临床经验的资深放射肿瘤学家（C.Z.，F.S.和H.S.）以随机双盲的形式对34例测试集的病例自动描绘的CTV轮廓进行五项0或者1评分，如果两名或两名以上专家给出的相同分数为此病例此项指标的最终得分。
3.2 结果
3.2.1 OARs分割结果
我们运用OARs与GTV分割模块分别分割膀胱、左右股骨头以及GTV。然后通过DSC、TPVF与PPV指标进行评价，结果如表2所示，膀胱与左右股骨头的分割结果，DSC值均在0.96左右，可以准确地分割其结构。而小肠的分割结果为0.948略低于膀胱与左右股骨头的分割结果，结果均符合第三阶段网络需求。分割结果如图3.1所示。
4 讨论
CTV的描绘作为直肠癌放射治疗中的重要步骤之一，对直肠癌的CTV自动描绘可以提高肿瘤医生工作效率，减轻临床工作负担，缩小描绘者间的主观差距。深度学习在CTV描绘中的应用是放射学领域的新兴技术。在这项研究中，我们设计了一种新的深度学习框架来描绘直肠癌CTV。我们在163例病例的数据集上对我们的方法进行了训练和评估。我们的方法的性能是DSC为0.930，TPVF为0.925，PPV为0.936，在整体直肠癌CTV描绘中DSC值优于DDCNN框架5.2%[39]，和Deeplab v3+框架2.8%[41]。特别是，与上述两种方法相比，CTV切片与普通切片交界处切片的结果DSC分别提高了11.3%和7.6%。
以往的研究表明，CTV在交界处切片上的描绘性能较差，因为这些方法往往忽略了部分特征不明显的CTV切片，这在临床应用中造成了限制。在这项研究中，我们提出了一个CTV描绘的三阶段框架。第一阶段使用分类模块和错误分类纠正模块检测包含CTV的切片。分类模块基于ResNet[43]实现身份映射和残差映射，不增加参数大小和计算复杂度。上述模块能够更好地拟合分类函数，获得更高的分类精度。错误分类纠正模块可以避免CTV切片检测的遗漏。使得第三阶段只需要关注CTV的勾画，而不需要判断切片是否需要勾画，降低了训练的难度，并且避免了不同病例交界处切片标签不一致的问题。使得交界处切片的描绘精度大大提高，模型性能在不同切片间相对平稳。
本研究创新性的自我评价
本研究通过三阶段网络的设计，第一阶段先对切片进行分类，引入错误分类纠正模块可以避免CTV切片检测的遗漏，同时使描绘阶段的网络仅需专注与CTV描绘。本研究创新提出解剖学指导的CTV描绘网络将OARs与生成CTV的空间结构关系作为限制条件，被反馈并训练描绘CTV网络，使得训练过程不仅仅关注与生成的CTV轮廓与临床CTV轮廓的差距也受限于生成CTV轮廓与膀胱、股骨头和小肠的位置关系，描绘过程趋近于临床实践，符合临床指南要求，为临床的可应用型打下基础。引入了独特的多尺度模块，极大的扩大了网络的感受野，增强了对不同尺寸的CTV特征提取，同时使用多级跳跃连接结合语义信息与细节信息使得描绘结果更加真实、准确。
参考文献（略）
