放射疗法已成为头颈（H＆N）癌症的常见治疗选择，并且需要对高危器官（OAR）进行描绘，以实现高保形剂量分布。手工绘制OAR既费时又不准确，因此提出了基于深度学习模型的自动绘制来准确地描述OAR。但是，最先进的性能通常需要相当大的轮廓，但是收集像素级手动轮廓是劳动密集型的，对于表示学习而言可能不是必需的。受自我监督学习的最新进展的鼓舞，本研究提出并评估了一种新颖的多视图对比表示学习，以从未标记的数据中增强模型。拟议的学习体系结构利用了CT的三种视图（冠状，矢状，和横向平面）以收集正面和负面的训练样本。具体来说，首先将3D CT投影到三个2D视图（冠状，矢状和横切面），然后卷积神经网络将3个视图作为输入，并在潜在空间中输出三个单独的表示，最后使用对比损失将同一图像的不同视图的表示（“正对”）拉近，并将不同图像的视图的表示（“负对”）推开。为了评估性能，我们在H＆N癌症患者中收集了220张CT图像。实验表明，我们的方法比最先进的方法显着提高了定量性能（绝对Dice分数从83％提高到86％）。因此，我们的方法为处理标签稀缺问题提供了强大而有原则的手段。



"点击查看英文标题和摘要"