食管鳞状细胞癌(Esophageal Squamous Cell Carcinoma,ESCC)简称食管鳞癌,是一种发病率较高的癌症,中国更是食管鳞癌多发国家。现阶段食管鳞癌己经成为我国居民死亡的主要原因之一。随着医疗技术的发展,放射治疗已经成为食管鳞癌的主要治疗手段之一,而放射治疗需要借助计算机断层扫描技术(Computed Tomography,CT)获取的CT图像来制定治疗计划。因此,在CT图像上勾画放疗靶区是医生做出放射治疗计划的主要依据。人工分割肿瘤需要耗费大量的时间,而且分割效果受医生经验影响,所以需要实现靶区自动勾画,避免这些问题。但是,由于食管肿瘤形状多样,位置不固定,结构复杂,周围环境复杂以及不同病例差异大,计算机自动勾画放疗靶区非常困难。针对以上问题和背景,本文在山东省重点研发项目“基于多中心临床研究队列的食管鳞癌个体化根治性同步放化疗关键技术”的资助下,以山东省肿瘤防治研究院的50例放射治疗影像数据为研究对象,研究了一种多深度神经网络融合的食管鳞癌靶区勾画方法,并在此基础上构建了一个以食管鳞癌放疗靶区自动勾画为研究示例的计算服务平台。主要工作如下:(1)提出一种新的针对食管鳞癌肿瘤靶区勾画的CT图像预处理方法。针对CT视窗读取方法存在的信息不全面问题、线性转换存在的灰度不均匀问题,提出一种基于像素密度的CT图像读取算法。该算法利用原始数据的像素密度,分段映射到自适应长度的区间。算法在理论上保证处理后图像灰度均匀、信息保存完整。针对输入图像过大影响模型训练效率及精度的问题,本文提出一种利用脊柱和双肺辅助定位食管,切割出食管区域的方法。该方法利用CT影像中特征明显的脊柱、肺,结合解剖学知识有效定位食管区域,限制模型输入大小,提升模型训练效率及精度。(2)提出一种多模型靶区勾画的融合方法。本文首先采用两种深度学习模型FCN,U-Net独立分割食管肿瘤,然后提出一种线性融合算法融合不同模型的勾画结果。算法通过对两种分割结果做定量分析,计算各个分割之间的一致性,选择融合模式。针对一致性较差的数据,本文提出一种线性融合算法,使用像素插值的方法,找到各个轮廓对应关系,得到融合后的轮廓。这种方法,有效的解决单一模型的过分割和欠分割问题。实验结果显示,融合后的结果在Dice系数上较FCN提升1.5%,较U-Net提升3.4%。(3)设计实现食管鳞癌放疗靶区勾画计算服务。本文采用WebSocket技术,结合前文的研究成果,基于python设计实现了一个具有简洁稳定架构、移植性好的食管肿瘤分割计算服务。该服务具有实时信息传递能力、并行处理能力。(4)构建面向用户的计算服务平台。计算服务平台向研究人员提供数据访问接口、文件上传下载服务以及应用接入服务,并向医务人员提供数据展示、患者病程查询等服务。平台设计了一套准则,研究人员可以将自己的研究内容制作成服务,发布到计算平台上,供其他用户使用。综上,本文对医学图像预处理、医学图像分割、计算服务、平台搭建四个关键问题进行了深入研究,并提出了相应的有效方法。这些研究对实现自动化分割食管鳞癌放疗靶区有极大的推动作用。