李 霞 刘 娅 王 聪 李振江

    1.山东省菏泽市立医院，山东菏泽 274000；2.山东省肿瘤医院 山东省肿瘤防治研究院，山东济南 250012

    磁共振影像(magnetic resonance images，MRI)已成为宫颈癌ⅠB1 期及以上期别的标准诊疗方法，在影像诊断和肿瘤边界鉴别方面有独特优势[1-2]，并可提供治疗评估及预后信息[3-4]。研究表明，基于MRI 确定的靶区，其体积要明显小于以常规电子计算机断层扫描(computed tomography，CT)确定的靶区[5-6]。应用MRI 图像勾画宫颈癌靶区，定义肿瘤靶区并进行局部加量，可将3 年生存率提高10%～20%，同时显著降低胃肠道和尿道的毒性反应[7]。同时，由于治疗过程中肿瘤消退、器官位置变化，对实时快速精确的临床靶区(clinical target volume，CTV)和危及器官(organs at risk，OARs)勾画的要求越来越高。应用深度学习算法较基于图谱集自动勾画方法准确性高、适应性广，并提高轮廓生成速度[8]。基于卷积神经网络提出的U-Net 体系结构[9-10]，专门为医学图像设计，需要的网络参数较少，训练过程快。目前应用MRI 使用深度学习算法实现CTV 和OARs 勾画，在宫颈癌放疗中仍处于研究阶段。本研究使用U-net 卷积神经网络算法架构，以MRI 为基础，建立宫颈癌感兴趣区(region of interest，ROI)自动分割算法，并比较手动勾画与自动勾画的差异，拟为MRI 引导适应性放射治疗提供自动勾画技术支持。

    1 资料与方法

    1.1 一般资料

    选取2019 年4 月至2020 年12 月山东省肿瘤医院根治性放疗宫颈癌患者43 例 ......