靶区分割论文阅读：DDNN for Target segmentation

靶区分割论文：Deep Deconvolutional neural network for Target segmentation of nasopharyngeal cancer in Planning computed Tomography images

doi:10.3389/fonc.2017.00315

Author affiliation & publication year: National Cancer Center/Cancer Hospital, 2017

背景：

用于鼻咽癌靶区勾画，提出了端到端的深度反卷积神经网络用于靶区自动分割

方法：

Deep Deconvolutional neural network(DDNN), 包含一个encoder网络和一个decoder网络。encoder用于提取图像数据特征，decoder使用反卷积来恢复原始分辨率。使用dice系数作为评价指标对GTVnx，GTCnd和CTV勾画结果进行评价，并于VGG-16结果进行对比

结论：

• DDNN对GTVnx和CTV的分割结果较为准确，但GTVnd的分割结果较差
• 训练数据需要耗费大量人力进行审查和数据清洗

文章要点总结

网络结构：

input(417 * 417) -> encoder(53 * 53 * 512) -> decoder (53 * 53 * 512) -> output(417 * 417)

评价指标

• Dice系数:
  DSC(A,B) = 2|A∩B|/(|A|+|B|)
• Hausforff距离：
  H(A,B) = max(h(A,B),h(B,A)), where h(A,B) = max(min||a-b||), a∈A,b∈B

实验结果

不同靶区的dice系数及Hauforff距离对比

靶区勾画结果对比

个人理解

本篇文章比较老，发表于2017年，使用的仍然是比较原始的encoder-decoder结构，且仍然为二维网络结构。值得借鉴的是对靶区处理结果的评价标准，数据审查与筛选的重要性