相关实验视频
Updated: Jul 12, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.6K
基于深度学习的前列腺超声波自分段与手臂治疗植入针头
Prakash Hampole1,2,3, Thomas Harding3, Derek Gillies3
1Department of Medical Biophysics, Western University, London, ON, Canada.
Medical physics
|October 27, 2023
概括
这项研究开发了一种卷积神经网络 (CNN) 算法,用于在跨直肠超声波 (TRUS) 图像上对前列腺临床目标体积 (CTV) 进行细分. 美国有线电视新闻网在很短的时间内实现了医生级准确性,提高了前列腺支架疗法的一致性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 通过直肠超声波 (TRUS) 图像对前列腺临床目标体积 (CTV) 的准确细分对于前列腺支架疗法至关重要.
- 植入的针创建文物,复杂的手动细分和减少临床效用.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 算法,用于在针插入后在TRUS图像中对前列腺CTV进行细分.
- 为了提高前列腺支架疗法程序中CTV细分的效率和准确性.
主要方法:
- 一个U-Net CNN被训练在3D TRUS图像与植入的针和手动的CTV细分.
- 3D图像被重新切成多个2D平面,以进行全面的2D CNN培训.
- 使用子相似系数 (DSC),精度,回忆和体积差异来评估表现;医生变异性也被评估.
主要成果:
- 美国有线电视新闻网 (CNN) 的DSC中位数为87.2%,相当于医生的表现.
- 使用算法的细分时间比手工方法快得多.
- 算法生成的边界减少了医生之间和医生内部的变化,提高了细分一致性.
结论:
- 开发的CNN算法为前列腺骨干治疗提供了准确和高效的CTV细分.
- 利用算法生成的边界作为医生的起点,可以提高细分协议和一致性.
