相关实验视频
Updated: Jul 5, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.8K
儿童计算机断层扫描数据集的深度学习自分区网络:我们可以从成年人中推断出来吗?
Kartik Kumar1, Adam U Yeo2, Lachlan McIntosh1
1Physical Sciences Department, Peter MacCallum Cancer Centre, Victoria, Australia; School of Science, RMIT University, Melbourne, Victoria, Australia.
International journal of radiation oncology, biology, physics
|January 21, 2024
概括
在人工智能 (AI) 培训中包括儿科数据显著提高了放射治疗中儿科患者的自分区准确性. 人工智能模型展示了强大的跨扫描器概括,提高了临床适用性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 基于人工智能的自动细分为放射治疗的器官轮提供了效率.
- 人工智能模型对儿科CT数据的性能和跨扫描器兼容性需要研究.
研究的目的:
- 当应用到儿科CT扫描时,评估在成人数据上训练的AI自分区模型.
- 通过包括儿科培训数据来评估绩效改进.
- 检查这些AI模型的交叉扫描器兼容性.
主要方法:
- 利用nnU-Net框架训练成年,儿科和综合CT数据集的细分模型.
- 训练有素的模型对每器官290-300例,用于7个骨盆/胸部器官.
- 使用子相似系数 (DSC) 对459个儿科和950个成年人CT扫描数据库的性能进行评估.
主要成果:
- 仅在成人数据上训练的AI模型在儿科扫描上表现不佳 (膀和脏的DSC<0.5在0-2年龄组).
- 纳入儿科数据显著改善了所有年龄组的表现 (平均DSC>0.85).
- 对较大的器官观察到一致的性能,模型显示强大的跨扫描器概括.
结论:
- 儿童数据的纳入对于所有年龄组的最佳AI自行细分至关重要.
- 人工智能模型表现出强大的跨扫描器概括性,支持临床使用.
- 数据集的多样性对于开发医疗成像中强大的AI系统至关重要.
