Page 303 - 《软件学报》2021年第12期

邓成龙 等:基于随机森林的宫颈鳞癌放化疗疗效预测 3967

Table 2 Function of T2-weighted sequences
表 2 T2 权重图像各序列作用
扫描平面 作用
冠状面 评估肾盂积水,下腹和骨盆概况
水平面 评估淋巴结和卵巢,观察骨盆,判断子宫旁浸润程度
矢状面 测量主要肿瘤大小,评估肿瘤范围,判断浸润子宫、阴道、膀胱、直肠情况

所有病例的 MR 图像均为 512×512×21,空间分辨率分别为 0.50mm,0.50mm 以及 5.2mm.MR 图像中,宫颈鳞
癌肿瘤区域由资深影像科医生通过手动勾画方式对 85 位患者的 MR 图像序列逐一识别并标注(如图 5 所示:
第 1 行和第 2 行分别是两个患者的部分 MR 图像,红色区域为医生手动勾画的宫颈鳞癌区域,每一行最右侧图
像为宫颈癌区域分割后三维重建图像).

Fig.5 SCC MR images with manual labeling
图 5 手动标记宫颈鳞癌 MR 图像示例

• 模型训练
融合残差结构的 U-Net 网络训练时设定初始学习率、衰减率及动量分别为 1e−4、1e−4 和 0.3,最大迭代次
数为 1 000.对随机森林算法的超参数设置,如决策树数量,是根据随机森林在训练集上针对不同超参数进行实
验确定(详见第 4.4 节).
在放化疗疗效对比实验中,Inception-ResNet-v2 及 Inception-v4 [40] 网络设置及训练策略如下.
(1) 上述两种网络的层数及结构等超参数设置均采用 TF-slim(https://github.com/tensorflow/models/tree/
master/research/slim)代码库默认值;
(2) 由于宫颈鳞癌训练集数据有限,无法充分训练上述两种网络,本文采用数据扩增(Tensorflow 框架)策
略,将完全缓解组与不完全缓解组训练数据中的每幅图像分别进行水平方向的翻转与旋转(角度为 4,
8,12,16,20 度);
(3) 上述两种网络设定初始学习率 1e−4,1 000 轮迭代后学习率设置为 1e−5,共训练 2 000 轮;衰减率及动
量分别设置为 1e−4,0.3.
• 实验环境
本文实验环境基于 Ubuntu 18.04 操作系统中的 Tensorflow 框架,配置 NVIDIA 显卡及深度学习库,编程 IDE
为 PyCharm,编程语言为 Python 3.5;硬件配置:Intel(R) Core(TM) i7-8700K CPU@3.70GHz,NVIDIA GeForce
GTX 1080 Ti,32GB 内存.
• 分割算法评估
为定量评估分割算法性能,本文采用 3 种常见的评价标准来评估图像分割算法准确率,分别为 Dice 相关系
数、PPV(positive predicted value)以及敏感度(sensitivity).PPV 衡量预测的准确率,Sensitivity 衡量预测的召回率,
Dice 系数综合 PPV 和 Sensitivity 的评价指标.计算公式如公式(3)~公式(5)所示: