周瑾，刘国才, 鞠忠建

    430072 武汉，武汉大学 物理科学与技术学院(周瑾)；410082 长沙，湖南大学 电气与信息工程学院(刘国才)；100853 北京，中国人民解放军总医院第一医学中心 放疗科(鞠忠建)

    盆腔危及器官(organs at risk，OAR)的准确分割，对于直肠癌、前列腺癌、宫颈癌等放射治疗计划至关重要。目前临床实践中，主要基于CT图像手动勾画，耗时极长。而且由于CT图像对比度低、个体差异较大，手动勾画很大程度上取决于医生的技能和经验。当前机器学习应用于医学图像的自动分割已经有很多成功的尝试。经典的机器学习算法，如支持向量机、随机森林、线性回归、马尔可夫随机场(Markov random field,MRF)等，在医学图像分割领域已取得初步成果[1-5]。Held等[6]通过模拟退火或迭代条件模式优化的MRF分割MR图像，多数情况下错误率小于10%。基于图集(atlas)可形变模型曾是医学图像分割中最流行的方法之一。Tian等[7]用全自动多图集(multi-atlas)在MR图像上分割前列腺。Vrtovec等[8]系统分析了2008年至2020年基于atlas的方法自动分割头颈部放疗存在风险的器官。

    近年来，利用深度学习自动分割医学图像成果斐然，并迅速用于放射治疗领域[9]。神经网络的出现，使端到端的图像处理成为可能，神经网络模拟了人类视觉信息处理机制反复抽象和迭代的过程，首先将光线像素等信息抽象为图像边缘信息，然后再抽象为目标物体的某一部位，再抽象为物体轮廓形成对整个目标的感知。但是，基于CT图像自动分割盆腔器官仍是极具挑战的工作。例如：器官边界模糊、位置和体积变化、造影剂使用等，都会对结果造成干扰。尤其盆腔部位的器官和组织形态变化大，膀胱和直肠的个体差异性大，与头部和腹部位置相对固定的器官不同，对自动勾画是极大的挑战。以往国内外对盆腔器官的自动勾画研究普遍基于MR图像，与CT图像相比MR提供出色的软组织对比度，有助于更好地描绘器官边界，降低了自动勾画的难度，然而当前的放射治疗计划工作流是使用CT图像进行轮廓和剂量的计算，因此尽管CT图像比MR图像的分割更具挑战，但探讨基于CT图像进行自动分割更具临床意义。本文就此总结近五年来基于深度学习对男性盆腔CT图像自动分割的文献，介绍使用的网络结构和数据集，并分析其分割结果。

    1 深度学习网络

    1.1 网络概述

    深度学习是机器学习领域中一系列试图使用多重非线性变换，对数据进行多层抽象的算法。通过组合底层特征形成更加抽象的高层表示、学习样本输入和输出之间的非线性映射及输入向量的隐藏结构 ......