PCG-net:功能适应性深度学习用于自动化头部和部器官-有风险的细分

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:

• 准确分类的头部和部 (HN) 有风险的器官 (OARs) 对于有效的头部和部癌症 (HNC) 辐射治疗计划至关重要.
• 手动OAR细分是耗时和主观的,推动了对自动化深度学习解决方案的需求.
• 细分小型HN OARs,如视觉和视觉神经,对于当前的深度学习模型来说仍然是一个挑战.

研究的目的:

• 引入PCG-Net,一种新的并行网络架构,用于改进HN OAR的细分.
• 增强功能融合,捕获本地和全球的上下文信息,以实现更准确的细分.
• 评估PCG-Net在下游细分任务中的有效性和稳定性.

主要方法:

• 开发PCG-Net,这是一个平行网络,集成卷积神经网络 (CNN) 和一个门轴变压器 (GAT).
• 整合了一个级联图模块 (CGM),通过消息传递和聚合来改进功能融合.
• 进行了广泛的实验,以验证PCG-Net在三个不同的任务中的表现.

主要成果:

• 与HN OAR细分现有方法相比,PCG-Net表现出优异的性能.
• 拟议的模型显著提高了细分精度,特别是在小型OAR.
• 实验结果证实了PCG-Net的稳定性和有效性.

结论:

• PCG-Net成功地整合了本地和全球信息处理,以实现准确的HN OAR细分.
• 该CGM模块有效地增强了特征融合,从而带来了优异的细分结果.
• 通过改进的OAR细分,PCG-Net显示出对通过改进的OAR细分来推进HNC治疗计划的重大承诺.