深度学习架构以提高头部和部放射治疗的自动轮边缘精度
Ryan Gifford1, Sachin R Jhawar2, Samantha Krening1
1Department of Integrated Systems Engineering, The Ohio State University, 1971 Neil Ave, Columbus, OH 43210, USA.
Diagnostics (Basel, Switzerland)
|July 14, 2023
概括
一个新的深度学习模型,SARC U-Net,改善了头癌的自分化,特别是在瘤边缘. 这提高了临床使用的轮精度和可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习 (DL) 方法在医疗图像自分割方面表现有前途.
- 现有的DL模型难以准确地对轴边缘的头瘤进行细分.
- 分段失败可能会降低对自动轮系统的信任和临床采用.
研究的目的:
- 开发一种改进的DL方法,用于准确的头部和部瘤自分段.
- 为了解决细分瘤总体积 (GTV) 在其轴边缘的具体挑战.
- 为了提高自动轮系统的强度和可靠性.
主要方法:
- 提出了空间调整的反复卷积U-Net (SARC U-Net).
- 利用卷积循环神经网络和空间变压器网络来整合跨片的信息.
- 专注于将信息从突出区域推向轴边缘,以改善细分.
主要成果:
- 与基线二维U-Net相比,SARC U-Net在GTV轴边的Sørensen-Dice系数 (DSC) 提高了11%的劣势和19.3%的优势.
- 获得了0.613的整体DSC,超过了3D U-Net (0.586) 和2D U-Net (0.540).
- 在瘤边缘和整体细分性能上表现出更高的精度.
结论:
- SARC U-Net提高了头部和部GTV轮的精度,特别是在轴边缘.
- 与基线DL模型相比,拟议的方法提供了一个更强大的自动轮解决方案.
- 改进的细分精度可以提高AI在辐射瘤学的临床信任和实用性.
