基于DNN的船舶细分对于SIRT规划的适用性
Farina Kock1, Felix Thielke2, Nasreddin Abolmaali3
1Fraunhofer Institute for Digital Medicine MEVIS, Max-von-Laue-Str. 2, Bremen, 28359, Germany. farina.kock@mevis.fraunhofer.de.
概括
肝动脉的深度学习细分显示出选择性内部辐射治疗规划的前景. 这种人工智能方法有可能加速肝癌治疗的预干预规划.
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:
- 肝动脉 (HA) 细分对于选择性内部辐射疗法 (SIRT) 的计划至关重要,这是一种肝癌治疗.
- SIRT涉及通过导管将放射性珠子输送到肝脏瘤.
- 精确的HA细分对于有效和安全的放射性栓塞至关重要.
研究的目的:
- 评估深度神经网络 (DNN) 用于细分肝动脉,用于SIRT规划.
- 将DNN细分性能与传统的机器学习算法进行比较.
- 评估基于DNN的HA细分用于预干预SIRT规划的临床适用性.
主要方法:
- 在36个增强对比度的CT扫描中应用了基于DNN的HA细分.
- DNN方法的额定细分和图像质量.
- 与传统的机器学习算法比较DNN结果.
- 对于SIRT规划的细分的可用性进行了专家评级.
主要成果:
- DNN 方法的性能优于传统的机器学习算法.
- 在很大一部分情况下,DL细分适合SIRT规划.
- 在相似比例的案例中,手动参考细分足够.
- 一些案例显示了差异,DL分段可以在手动分段无法使用时使用,反之亦然.
结论:
- 肝动脉细分是具有挑战性和耗时的.
- 深度学习方法有潜力支持和加速SIRT介入前规划.
- 人工智能驱动的细分可以提高肝癌治疗计划的效率和准确性.
