60、医学图像分割与剂量规划的创新技术

医学图像分割与剂量规划的创新技术

1. 医学图像分割的现状与挑战

在医学领域，功能成像技术如正电子发射断层扫描（PET）在放射治疗（RT）中的应用日益广泛。准确的肿瘤分割是放射治疗规划的基础步骤，它有助于提取半定量指标，如标准化摄取值（SUVs），这些指标对于制定治疗方案至关重要。然而，手动分割不仅耗时费力，而且由于PET图像的低信噪比和有限空间分辨率，以及专家先验知识的差异，导致分割结果的可重复性较差。

近年来，卷积神经网络（CNNs）在医学图像分割任务中取得了显著成就。它们能够从数据中学习有信息的分层特征，但在识别物体边界时存在困难，因为连续的下采样层会导致信息丢失。此外，CNN生成的像素级分割图可能存在噪声，低损失函数值并不一定意味着有意义的分割结果。

为了解决这些问题，有人提出了基于核平滑的概率轮廓（KsPC）方法。该方法假设真实的SUVs来自一个平滑的潜在空间过程，可以通过核估计进行建模。KsPC能够生成基于轮廓的分割结果，模仿专家的手动分割，但它的性能严重依赖于模型的带宽和阈值调整参数，并且缺乏其他患者的信息。

除了肿瘤分割，PET图像还可用于强度调制放射治疗（IMRT）的剂量规划。剂量规划通过功能图像根据肿瘤的空间辐射敏感性优化剂量处方，以提高肿瘤控制效果。然而，目前迫切需要开发能够准确识别高复发风险轮廓的图像分割方法。

2. 创新模型KsPC - Net的提出

为了应对肿瘤分割和剂量规划的挑战，研究人员提出了一种名为KsPC - Net的新型混合CNN模型。该模型将CNN的表达能力与KsPC的灵活性相结合，通过CNN自动学习参数，利用KsPC同时识别物体边界并提供概率轮廓。

2.