区域特定的深度学习模型用于化学辐射后T2wMRI上直肠结构的准确细分:一个多机构,多读者研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 精确的放射性评估直肠癌的程度和回归后的新辅助疗法是至关重要的.
• 在MRI上对直肠结构的手动细分是耗时的,容易变化.
• 像放射学这样的计算方法需要精确的注释直肠壁,光线和周围脂肪.

研究的目的:

• 开发和评估特定区域的U-Net深度学习模型,用于直肠结构的自动细分.
• 评估这些模型在治疗后的T2加权MRI扫描上的性能.

主要方法:

• 应用U-Net深度学习模型,以特定区域的背景进行细分.
• 从多个机构对T2加权MRI扫描进行培训和测试.
• 区域特定的U-Nets与多读器性能和多类U-Net的比较.

主要成果:

• 特定区域的U-Nets在墙壁和光线细分方面获得了高的Dice分数,与人类读者相美.
• 这些模型显示,与多类U-Net.相比,细分精度提高了20%.
• 即使在图像质量较低的扫描或来自外部机构的扫描中,性能也保持强.

结论:

• 具有特定区域背景的深度学习细分模型能够在化学辐射后的MRI中准确,详细地注释直肠结构.
• 这有助于改善瘤扩散的体内评估,并开发用于直肠癌的基于图像的分析工具.