文晓博,袁美芳,赵 彪,孙梦真,胡晓庆,杨 毅

(昆明医科大学第三附属医院,云南省肿瘤医院放射治疗科,昆明 650118;*通讯作者,E-mail:yiyangrt@126.com)

2018年全球癌症统计数据显示,乳腺癌和鼻咽癌的发病率和死亡率均处于较高水平[1]。由于甲状腺的毗邻位置与解剖学结构,使其在放射治疗过程中容易造成不可避免的损伤,可能会引发甲状腺功能衰退和甲状腺炎等不良反应[2-6]。有研究表明,甲状腺功能衰退的发病率与甲状腺在放射治疗中的受照剂量有关[3],因此,在放射治疗方案的实施中,需要将甲状腺作为危及器官勾画出来,严格限制剂量,从而有效地减少甲状腺不良反应的发生[4-6]。但目前危及器官的勾画大多是由医师手动勾画,这种方式费时、费力且主观性较大,对甲状腺的保护效果存在差异,因此甲状腺的自动分割有着重要的临床意义。

传统的医学图像分割通常使用基于阈值、区域生长、聚类、分水岭等分割方式来对医学灰度图像进行分割[7-10],这些方法虽然能够有效地分割图像上的目标物体,但都存在部分缺陷且需要大量的实验和经验才能够得到较好的结果。随着人工智能的发展,基于神经网络的图像分割方式逐渐应用于医学图像分割领域且在图像上能得到很好分割效果[11,12]。在甲状腺的自动分割中,主要面对的问题是:①甲状腺是小体积目标,在整幅影像图中所占像素较小,属于极度不平衡类分割,使用传统的交叉熵损失函数不一定能获得较……