相关实验视频
Updated: Jul 5, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
在0.35 T MR-Linac图像上进行腹部器官细分的深度学习应用程序
You Zhou1,2, Alain Lalande2,3, Cédric Chevalier4
1Department of Medical Physics, Centre Georges-François Leclerc, Dijon, France.
Frontiers in oncology
|January 23, 2024
概括
深度学习模型,特别是3D nnUNet,显示了在MR-Linac图像中自动细分有风险的腹部器官 (OARs) 的前景,改善了放射治疗计划.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 磁共振 (MR) 成像引导的线性加速器 (linacs) 为腹部辐射治疗提供了增强的软组织对比度.
- 准确的腹部危险器官细分 (OAR) 对于治疗规划至关重要,但目前是一个手动的,耗时的过程,观察者之间的变化.
研究的目的:
- 通过使用0.35 T MR图像,研究基于深度学习的腹部OAR自动细分解决方案.
- 评估各种基于UNet的模型的性能,并确定临床应用的最佳方法.
主要方法:
- 收集了121组腹部MRI图像和地面真相细分.
- 训练了几种基于2D UNet的模型 (Classical UNet,ResAttention UNet,EfficientNet UNet,nnUNet),然后使用3D策略训练了表现最好的模型.
- 绩效使用子相似系数 (DSC),交叉点与联盟 (IoU),豪斯多夫距离 (HD) 和体积分析进行了评估.
主要成果:
- 3D nnUNet模型获得了最高的性能,肝脏的DSC得分为0.96 ± 0.01,脏为0.91 ± 0.02,脊髓为0.91 ± 0.01.
- 对这些器官观察到良好的IOU得分,而对胃和十二指肠的细分显示出较低但仍然可能适用的结果.
- 豪斯多夫距离和体积分析证实了细分的准确性,十二指肠有一些变化.
结论:
- 3D nnUNet模型表明,在0.35 T MR-Linac图像中,腹部OARs的准确和高效的自动细分具有显著的潜力.
- 虽然十二指肠细分需要进一步优化,但总体结果表明,可行的临床应用是改善放射治疗规划和减少手动细分负担.
