从脱的角度重新考虑总目标量自动细分
Jun Shi1, Zhaohui Wang1, Shulan Ruan1
1School of Computer Science and Technology, University of Science and Technology of China, Hefei, 230026, China.
概括
本研究引入了一种新的异质级联框架 (HCF),用于辐射治疗规划中的自动化总目标体积 (GTV) 细分. 通过分离任务和解决低对比度和像素不平衡等挑战,HCF提高了准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
- 辐射疗法规划 辐射疗法规划
背景情况:
- 用于放射治疗 (RT) 的手动总目标体积 (GTV) 细分是劳动密集型的,容易产生不一致.
- 现有的深度学习模型因图像对比度低和严重的像素不平衡而与GTV细分斗争.
研究的目的:
- 开发一种自动化的GTV细分方法,克服当前方法的局限性.
- 提高癌症RT规划中GTV划分的准确性和可靠性.
主要方法:
- 提出了一个异质级联框架 (HCF),将GTV细分解成识别和细分子任务.
- 引入了一个多层空间调整网络 (SANet) 带有空间调整模块,以减轻信息丢失.
- 实施了综合规范化 (CR) 损失和余额抽样策略 (BSS) 以解决像素失衡并增强收.
主要成果:
- 与最先进的方法相比,HCF在StructSeg2019挑战数据集上表现优越.
- 实现了虚假阳性显著减少,并改善了小物体的细分.
- 该方法有效地处理了GTV细分固有的低对比度和像素不平衡挑战.
结论:
- 拟议的HCF为RT规划中的自动GTV细分提供了强大而高效的解决方案.
- 这一框架有可能提高癌症治疗规划的准确性和减少变化.
- 该方法在临床应用方面表现有前途,提高了工作流程效率和患者的治疗结果.
