陈旭明，刘勇

上海交通大学附属第一人民医院 放疗科，上海 201620

引言

在患者的定位CT图像上勾画危及器官（Organs-at-Risk，OAR）是放疗计划设计过程中不可或缺的环节之一。然而传统的手动勾画十分费时费力[1-2]，因此近年来自动勾画在临床工作中得到了广泛的应用，以提高勾画速度，减少患者等待治疗所需时间[3]。大量研究已经表明，基于深度学习算法的自动勾画技术能够显著减少勾画所需时间，同时可达到接近专家的勾画精度水平[4-10]。然而此类研究主要聚焦于勾画准确性，对实际计划设计中可能存在的剂量偏差鲜有涉及。Nelms等[11]研究表明，同样的剂量分布在不同的勾画结果之间可能存在巨大的剂量差异，对计划评估造成显著影响。因此，本研究的目的在于考察将自动勾画结果直接应用于放疗计划设计时与专家手动勾画结果之间存在的剂量偏差，评估自动勾画结果在实际计划设计中的具体可行性。

1 材料与方法

1.1 Ua-Net架构

Ua-Net[12]是我们此前设计的一款基于U-Net[13]的深度学习框架，可以自动勾画28个头颈部OAR，其勾画精度可达到专家相似水平，同时可以大幅度减少正常组织勾画所需要的时间。该网络架构由两个子网构成：① OAR探测，主要目的是首先框定各OAR所在的位置和大小；② OAR勾画：在OAR探测的范围基础上对各OAR进行精细化勾画。由于采用了先探测后勾画的两段式设计，本网络相较U-Net架构具备以下优点：① 只在局部范围内进行勾画，所以明显大幅压缩了散在于目标器官外的假阳性点；……