胸部臂的自动细分用于辐射治疗规划
Ademola E Ilesanmi1, Jayaram K Udupa1, Yubing Tong1
1Medical Image Processing Group, 602 Goddard building, 3710 Hamilton Walk, Department of Radiology, University of Pennsylvania, Philadelphia, PA 19104.
概括
这项研究引入了解剖学导向的深度学习方法,以改善CT扫描中胸部臂 (BPs) 的细分. 混合方法提高了对具有挑战性的医学图像分析的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 人体解剖学 解剖学 解剖学
背景情况:
- 深度学习在医学图像细分方面表现出色,但在人工制造物和过度拟合方面存在困难,特别是在像手臂等复杂结构方面.
- 现有的方法往往缺乏准确地划定胸部臂 (BPs) 的精度.
研究的目的:
- 开发一种混合智能方法,将自然智能 (NI) 和人工智能 (AI) 结合起来,以改善胸部臂 (BPs) 的细分.
- 解决深度学习网络在计算机断层扫描 (CT) 图像中细分具有挑战性的解剖结构方面的局限性.
主要方法:
- 制定了一种由解剖学指导的深度学习混合智能两阶段方法.
- 第1阶段 (AAR-R) 使用模糊解剖模型编码人类知识用于对象识别.
- 第二阶段 (DL-D) 使用第一阶段的输出来限制搜索区域,并执行编码器-解码器划分.
主要成果:
- 提出的方法在125张胸部CT图像上进行了测试,这些图像来自放射治疗计划.
- 达到了0.659的Dice系数,用于胸部臂的细分.
结论:
- 混合智能方法有效地将人类知识与深度学习相结合,用于准确的臂状交细分.
- 这种方法有望改善医学成像中具有挑战性的解剖结构的分析.


