一个细分框架与无监督的基于学习的标签映射器,用于内胚芽细胞瘤的心室目标

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 内生殖细胞瘤 (GCTs) 很少见,主要影响儿科和青少年群体.
• 放射治疗是GCT的关键治疗方式,需要精确划分心室系统.
• 腹腔系统的手动细分是耗时且具有挑战性的,原因是解剖学变异和水脑.

研究的目的:

• 开发一个完全自动的细分框架,用于心室系统的患者与内GCTs.
• 为了提高放射治疗目标划分的效率和准确性.
• 为了解决手动细分和现有的自动方法的局限性.

主要方法:

• 一个新的基于无监督学习的标签映射器被设计用于处理心室形状变化.
• 改进的区域增长算法与完全连接的条件随机场相结合,用于优化.
• 该框架使用注释的医学成像数据进行了训练和验证.

主要成果:

• 拟议的框架实现了84.69%的平均细分精度.
• 细分的平均时间成本为153.01秒,只需要一组注释数据.
• 该算法在临床应用中证明了可行性和实用性.

结论:

• 完全自动的细分框架对于在内GCT中划分放射治疗点是有效的.
• 这种方法提供了一个可行的和临床上实用的解决方案,有可能填补自动心室目标划分的空白.
• 该方法通过减少手动细分的负担来帮助医生,从而改善GCT患者的放射治疗计划.