（1） 研究目的：

借助人工智能领域中的深度学习方法，训练出能够实现对医学图像中的大体肿瘤区GTV自动识别和勾画的模型，从而提高医生的读片效率和准确性，降低误诊率和漏诊率。

（2） 研究意义：

在我国，肿瘤发病率和死亡率正在呈现逐年上升的发展趋势。肿瘤的病因复杂，如何对肿瘤病例实现前瞻性的准确诊断，并使病人得到个性化治疗，已成为目前医学界众所关注的重要问题^[1]。

随着科学的进步和医疗技术的发展，医学影像的应用也逐渐广泛。当前影像诊断主要依赖人工阅片完成，然而，日益增加的图像数据也为人工阅片带来极大挑战。为了给医生提供有效的辅助诊断信息，智能图像处理技术正变得越来越重要^[2]。

20世纪80年代末期，用于人工神经网络的反向传播算法的发明掀起了基于统计模型的机器学习热潮，20世纪90年代，浅层学习掀起机器学习的第一次浪潮，这些浅层结构虽然相比于过去基于人工规则的系统展现了很大的优越性，但对于处理复杂的问题，表现出特征学习能力不足、维数灾难、易陷入局部最优等缺点^[3]。直到2006年，Hinton等人在著名的《科学》杂志发表了一篇题为《Ｒeducing the Dimensionality of Data with Neural Networks》的论文，并且提出了深度网络(deep network) 和深度学习(deep learning)，而没有沿用之前的“多层神经网络”这一术语，其目的是为了表示这是一个新的概念，用以与之前的神经网络做出区分^[1]。2012年《纽约时报》披露了Google Brain项目，该项目用16000个CPU Core的并行计算平台训练“深度神经网络”，在语音识别和图像识别中得到成功应用；2013 年机器学习国际会议就音频、语音和视觉信息处理的学习结构、表示和最优化等方面进行讨论；4月，《MIT Technology Ｒeview》杂志将深度学习列为2013年十大突破性技术之首；2013年百度成立了深度学习研究院，并实施“百度大脑”计划；2015年，中科曙光推出深度学习一体机，并联合中科院计算技术研究所和NVIDIA公司成立深度学习实验室^[3]。在图像分类和目标分割任务上，深度卷积网络取得了令人惊讶的成绩，这也带来了深度学习在图像领域的大爆发^[4]。

当下，深度学习的应用仍然停留在通用图像的层面上，而其在医学影像学方面的突破将对于医学领域的发展至关重要^[3]。借助深度学习在医学图像分割方面的应用，医生的误诊率和漏诊率将会大幅降低，从而提升医疗保健行业的服务水平。

2. 研究的基本内容与方案

（1） 基本内容与目标

a) 广泛查阅资料，学习、掌握深度学习基本原理、方法基础；

b) 根据肿瘤放疗靶区勾画临床要求，搭建深度神经网络模型，选取一组基于肿瘤临床PET/CT的医学图像数据集，开展大体肿瘤区GTV自动识别和勾画深度学习研究；