文晓博 赵 彪 袁美芳 孙梦真 李进芝 杨 毅

在全球癌症数据统计中，乳腺癌和鼻咽癌发病率和死亡率均处于较高水平［1］。在目前的临床治疗中，放射治疗是治疗乳腺癌与鼻咽癌不可或缺的部分［2-3］。乳腺癌和鼻咽癌放射治疗过程中，甲状腺的解剖学结构使其不可避免地受到剂量照射。有研究［4-5］表明，当甲状腺受照剂量超过26 Gy，会发生甲状腺功能衰退，辐射剂量与甲状腺功能衰退之间存在显著相关性。因此，制订放射治疗计划时，须将甲状腺作为危及器官（organs at risk，OARs）加以保护。在目前的临床工作中，OARs的勾画主要由医师手动勾画，这种勾画方式会受到医师主观性和经验的影响，因而使甲状腺的受照剂量存在差异。自动勾画不仅能避免主观性的影响，而且效率更高。基于图谱的自动分割方式（atlas-based auto segmentation，ABAS）是医学分割中较为常用的一种分割的方式。蒋晓芹等［6］使用ABAS对鼻咽癌危及器官的勾画结果显示，大部分危及器官的相似度系数在0.9以上，基本可以满足临床要求。但ABAS的分割方式在解剖学结构差异较大的情况下并不能够得到较好的结果。随着人工智能的发展，深度学习的自动分割逐渐应用于医学领域［7-8］。Ronneberger等［9］在2015年提出的U-net神经网络模型是目前医学图像分割领域中最常用的模型。在甲状腺的分割研究中，大多数是在超声图像上对甲状腺结节进行诊断和分割，在放射治疗大孔径模拟定位CT上甲状腺分割的研究却少有报道。大孔径CT由于其孔径大、排数小、图像像素相对较差，需要进一步研究来观察深度学习的分割效果。……