论文部分内容阅读
头颈部恶性肿瘤患者在接受放疗的过程中,大剂量辐射会损伤分泌唾液的相关腺体,从而导致放射性口干症状的产生,严重影响其生存质量。随着计算机技术在医学领域的发展,医疗影像已经成为现代医学不可或缺的辅助诊疗工具,其承载的丰富数据信息,能够为临床诊断提供重要的决策依据。在放疗计划制定和执行早期利用医疗影像自动化预测患者的放射性口干程度并提前进行干预和治疗,能够有效缓解患者的相关症状,具有重要的临床应用意义与价值。影像组学和深度学习方法被广泛应用于医学影像分析处理且取得了良好的效果,本文将影像组学和深度学习方法应用到基于医疗影像的放射性口干预测任务中,主要工作包括:(1)构建基于影像组学方法的放射性口干预测框架。通过影像组学方法提取唾液分泌相关腺体ROI感兴趣区域特征,从中筛选出与放射性口干预测具有强相关性的特征子集,并基于特征子集构建放射性口干预测模型,实现口干等级预测和唾液量预测。(2)为解决影像组学预测方法依赖于唾液分泌相关腺体标注的问题,本文构建了基于深度卷积神经网络的分割模型,实现了唾液分泌相关腺体ROI标注的自动化生成,并通过将ROI分割模型融入影像组学放射性口干预测框架中实现了无ROI标注影像数据的放射性口干预测。(3)为了进一步降低放射性口干预测框架的耦合度和复杂性,提升预测性能,本文提出了一种基于深度三维卷积神经网络的放射性口干预测模型,实现了从医疗影像到放射性口干生理指标预测的端到端建模。端到端深度三维卷积神经网络放射性口干等级预测在CGA和FGA分别取得超过0.6250和0.9670的成绩,同时也具有更快的计算速度,实验表明模型具有较好的预测性能。最后本文在此基础上开发出一套放射性口干辅助诊疗系统,为放射性口干临床诊疗提供辅助与决策支持。