日前，柏視醫(yī)療與山東省腫瘤醫(yī)院聯(lián)合開展的關于海馬體自動分割的科研項目相關論文刊載于《Medical Physics》。
期刊簡介
《Medical Physics》是醫(yī)學物理學領域的權威期刊，成立于1974年。該期刊是美國醫(yī)學物理學家協(xié)會（AAPM）的科學期刊，也是加拿大醫(yī)學物理學組織、加拿大醫(yī)學物理學院和國際醫(yī)學物理學組織（IOMP）的官方科學期刊。
作為一本在全球范圍內具有影響力的核心期刊，該期刊發(fā)表原創(chuàng)且具有高影響力的物理學、影像學和工程研究方面的文章，這些研究具有很大臨床價值轉換潛力，抑或在尖端工程和物理學具有創(chuàng)新的臨床應用，核心讀者群包括放射腫瘤學或放射科相關的醫(yī)學物理學家。
01研究目的
本研究旨在使用一種基于邊緣感知的多任務學習來提升海馬體自動分割的精度。
02研究方法
針對全腦性放射治療中對海馬體此類重要危及器官的勾畫需求，我們開發(fā)了一種多任務的弱邊界小器官自動分割算法。
本研究先使用3D U-net作為主干模型，并設計如下兩個任務作為網絡的訓練目標：
1）縮小目標掩模（金標準）與模型生成預測之間的差距；
2）優(yōu)化輔助邊緣預測任務，該任務用于提升模型對海馬弱邊界的模型檢測性能。
此外，為了平衡上述多任務目標，本研究還提出了一個優(yōu)化的梯度歸一化方法，該方法可自適應調整不同任務損失權重。
本次研究采集了247例病人的T1W的MR數(shù)據(jù)進行模型的訓練和驗證，其中116例為增強圖像，剩下131例為非增強圖像。
我們使用了三種評價指標來對模型的效果進行驗證和評估，分別是Dice coefficient (Dice)、Hausdorff distance (HD)和Average Hausdorff distance (AVD)。
03研究結果
在對上述模型進行五折交叉檢驗后，結果表明Dice值能達到0.8483±0.0036、HD值為7.5706±1.2330 mm，而AVD為0.1522±0.0165 mm；與之相反，作為baseline模型的 3D U-net的三個指標分別是0.8340 ± 0.0072、10.4631 ± 2.3736 mm和0.1884 ± 0.0286 mm。
而當我們對baseline模型和提出的模型結果進行威爾科克森符號秩檢驗（Wilcoxon signed-rank test）后發(fā)現(xiàn)，兩者的表現(xiàn)在統(tǒng)計學上有顯著性差異（P<0.05）。
（箱線圖-三個模型在海馬體自動分割上表現(xiàn)的Dice、HD和AVD值的比較）
（三種分割方法的結果——同一列圖像是同個目標主體，從第二行起由上到下分別是3D U-net、優(yōu)化后的3D U-net和本研究提出的多任務邊緣感知學習模型；紅色輪廓線為醫(yī)生手動勾畫，黃色線則是模型自動勾畫。）
04研究結論
研究結果表明，基于邊緣感知的多任務學習自動分割方法能提高海馬體自動分割的有效性，對于海馬體保護性全腦的精確放療有重要意義。
我們所提出的多任務學習框架亦可在其他醫(yī)學成像上低對比度、弱邊緣的小器官的自動分割上發(fā)揮作用。
關鍵詞
海馬體分割，磁共振，多任務學習，動態(tài)任務平衡
