摘要：頭頸部腫瘤放射治療危及器官的準確勾畫是放療計劃的關鍵步驟,然而頭頸部放療危及器官的精確分割挑戰性很大,目前臨床醫生手動勾畫危及器官非常繁瑣、耗時且缺乏一致性。提出基于3D深度殘差全卷積網絡的頭頸部腫瘤放療危及器官自動分割方法,通過改進的V-Net網絡分割模型,有效地結合危及器官CT影像的深層特征和淺層特征,同時根據特別設計的端到端監督學習確定危及器官分割模型參數。為了解決小器官類分布極不平衡問題,提出利用器官位置先驗約束采樣區域與隨機采樣相結合的訓練樣本選擇策略,同時采用Dice損失函數對網絡進行訓練。該策略不僅可加速訓練過程,提升分割性能,而且可保證小器官的分割準確率。該方法在2015年MICCAI頭頸自動分割挑戰賽數據集PDDCA上驗證,各器官分割的Dice系數平均值分別為:頜下骨0.945、左腮腺0.884、右腮腺0.882、腦干0.863、左頜下腺0.825、右頜下腺0.842、左視神經0.807、右視神經0.847、視交叉0.583。大多數器官的95%Hausdorff距離小于3 mm,所有器官的勾畫平均距離均小于1.2 mm。實驗結果表明,該方法在除腦干以外的危及器官分割中性能比其他對比方法更優。