文献类型：期刊文章

作　　者：肖波[1,2] 朱旭东[3] 魏华江[1,2] 魏波[3] 陈同生[1,2,4]

XIAO Bo;ZHU Xudong;WEI Huajiang;WEI Bo;CHEN Tongsheng(Key Laboratory of Laser Life Science,Ministry of Education,College of Biophotonics,South China Normal University,Guangzhou Guangdong 510631,China;Guangdong Key Laboratory of Laser Life Science,College of Biophotonics,South China Normal University,Guangzhou Guangdong 510631,China;Department of Gastrointestinal Surgery,The Third Affiliated Hospital of Sun Yat-sen University,Guangzhou Guangdong 510630,China;South China Normal University(Qingyuan)Science and Technology Innovation Research Institute Co.,Ltd.,Qingyuan Guangdong 511517,China)

机构地区：[1]华南师范大学生物光子学研究院教育部激光生命科学重点实验室,广东广州510631 [2]华南师范大学生物光子学研究院广东省激光生命科学重点实验室,广东广州510631 [3]中山大学第三附属医院胃肠外科,广东广州510630 [4]华南师大(清远)科技创新研究院有限公司,广东清远511517

出　　处：《中国医疗设备》

基　　金：国家自然科学基金(61875056);国家重大科研仪器研制项目(61527825);广州市科技计划项目(2019050001)。

年　　份：2022

卷　　号：37

期　　号：2

起止页码：60-64

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：目的为准确地定位直肠癌肿瘤位置以及对直肠癌进行术前T分期。方法首先分别采用FCN-8s、U-Net和SegNet模型对直肠癌CT图像进行分割以定位肿瘤位置。在分割基础上分别使用简单CNN、AlexNet和InceptionV3模型对分割后的CT图像进行识别并以此确定直肠癌T分期。选用240名患者的直肠癌CT图像进行训练和测试,分割结果评价指标采用Dice系数、精确率和召回率,分类结果评价指标采用准确率、特异性和灵敏度。结果分割中U-Net模型分割效果最佳且其分割肿瘤的平均Dice系数、精确率和召回率分别为84.6%、84.1%和85.2%。分割后使用InceptionV3模型分类效果最好且其分类直肠癌T2和T3期图像的准确率、特异性和灵敏度分别为95.4%、94.3%和96.1%。实验结果表明U-Net模型和InceptionV3模型可以获得更好的分割结果以及更高的分类准确率。结论神经网络模型在直肠癌CT图像上进行肿瘤分割和术前T分期都能达到很好的效果,可作为临床辅助诊断工具帮助医生制定直肠癌临床治疗方案。

关 键 词：CT图像 神经网络 图像分割  图像分类 术前T分期  直肠癌

分 类 号：R197.39] TP391[公共卫生与预防医学类]