相关实验视频
Updated: Jun 24, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
9.0K
完全自动化的细分和放射学特征是利用深度学习在MRI上提取下腺癌
Yu-Chun Lin1,2,3, Gigin Lin1,3, Sumit Pandey1
1Department of Medical Imaging and Intervention, Chang Gung Memorial Hospital at Linkou, 5 Fuhsing St., Guishan, Taoyuan, 33382, Taiwan.
European radiology
|June 20, 2023
概括
深度实验室V3+和U-Net模型显示了自动化下喉癌细分和MRI的放射性提取的前景. 深度实验室V3+显示出卓越的准确性,特别是在较小的瘤中,增强了放射治疗工作流程.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 无线电学 (Radiomics) 是一种无线电学.
背景情况:
- 低喉癌 (HPC) 诊断和治疗计划依赖于精确的瘤划界.
- 在MRI中手动细分瘤是耗时的,并且受观察者之间的变化影响.
- 对瘤特征的放射学分析可以提供宝贵的预后信息.
研究的目的:
- 开发和评估卷积神经网络 (CNN) 模型,用于MRI中HPC瘤的自动细分.
- 评估CNN在为HPC提取放射学特征方面的表现.
- 为了比较DeepLab V3+和U-Net架构对这些任务的有效性.
主要方法:
- 使用了222名HPC患者的MRI图像;178人用于培训,44人用于测试.
- 训练U-Net和DeepLab V3+ CNN架构进行了自动瘤细分.
- 模型的性能使用子相似系数 (DSC),贾卡德指数和平均表面距离来量化.
- 放射学特征的可靠性是使用类内相关系数 (ICC) 来评估的.
主要成果:
- 无论是DeepLab V3+还是U-Net,都显示出与手动瘤体积划分有很高的相关性 (p < 0.001).
- 深度实验室V3+的DSC值 (0.77) 比U-Net (0.75,p < 0.05) 高得多,特别是在小瘤 (<10厘米3) 中.
- 两种模型都显示出第一阶段放射学特征的高度一致性 (ICC:0.71-0.91);DeepLab V3+显示出比U-Net.com更多的特征的更高的ICC.
结论:
- 深度实验室V3+和U-Net模型为MRI中的HPC提供了有效的自动细分和放射学提取.
- DeepLab V3+的性能优于U-Net,特别是在细分小瘤和提取放射性特征方面.
- 这种深度学习方法显示了改善放射治疗工作流程和预测治疗结果的潜力.
