吴 茜,余永建，汪 志

(1. 安徽医科大学 人文医学学院，安徽合肥 230032；2.安徽医科大学第一附属医院 放疗科，安徽 合肥 230001)

0 引言

放射治疗是现代肿瘤治疗的主要手段，其基本目标是实现放射治疗增益比的最大化，即最大限度地将放射线剂量集中到计划靶区(Planning Target Volume，PTV)内，在杀灭肿瘤细胞的同时，保护周围正常组织和危及器官(Organs at Risk，OARs)少受或免受不必要的照射[1].因此，精准勾画PTV和OARs是精确制定放射治疗计划的基本保证，是肿瘤放射治疗的关键问题之一.临床上主要依靠临床放疗医生手工勾画，不仅效率低，而且主观性强，导致勾画结果不精确，影响放射治疗计划的精确性和治疗的疗效.因此，有必要提供肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法，为精确制定放疗计划、实现精准放疗提供基础保障.

深度学习(Deep learning,DL)的概念由Hinton等人于2006年提出，是机器学习研究中的一个新领域，其动机在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据[2-5].但将深度学习方法成功应用到肿瘤放射治疗靶区和危及器官智能化、自动化勾画中仍具有很大挑战性[6-7]，主要体现在以下几个方面：①医学图像只有强度值，而且通常信噪比较低，各组织器官解剖结构、病灶区域之间的分界线并不清晰，纹理差异也不大，因此，医学图像分析比自然图像分析更困难；②目前计算机视觉中的很多分类任务是图像级，而放疗中的医学图像需要做像素、体素级.例如肿瘤调强放射治疗计划要求从医学图像中高精度地分割出肿瘤放疗靶区及其周围正常组织器官；……