在脑瘤切除后通过术后区域合成进行海马体细分
Changjuan Tao1, Difei Gu2, Rui Huang3
1Department of Radiation Oncology, Zhejiang Cancer Hospital, Hangzhou Institute of Medicine (HIM), Chinese Academy of Sciences,, Hangzhou, China.
BMC medical imaging
|September 28, 2023
概括
这项研究引入了一种用于合成术后脑图像的新方法,以提高放射治疗计划的海马细分精度. 这种方法增强了深度学习模型,有助于更精确地划分马对于经历了瘤切除的患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 精确的海马细分对于脑瘤放射治疗计划至关重要.
- 脑瘤切除改变3DMRI图像的外观,使细分复杂化.
- 有限的术后患者数据阻碍了深度学习模型的有效性.
研究的目的:
- 使用术后图像合成开发一个自动海马细分框架.
- 为应对脑瘤切除患者有限培训数据的挑战.
主要方法:
- 提出了一个变异生成对抗网络 (VGAN) 框架,用于合成术后图像.
- 实现了强度调整和重量图导向的功能融合模块.
- 采用联合培训策略,同时优化图像合成和细分任务.
主要成果:
- 在包括鼻癌和脑瘤患者在内的数据集上表现出与最先进的方法相比的持续改进.
- 在115名患者的综合数据集上验证了该方法的有效性.
结论:
- 建议的术后图像合成方法有效地产生额外的训练数据.
- 与现有的深度学习方法相比,在脑瘤患者的脑海角细分方面取得了卓越的准确性.
- 该框架作为一个强大的工具,用于放射治疗中自动划分海马,特别是用于海马节约技术.
