相关实验视频
Updated: Jul 4, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
405
在0.35TMRI上使用2D和3D生成对抗网络模型对有风险的骨盆器官进行自分区
Marica Vagni1, Huong Elena Tran1, Angela Romano1
1Fondazione Policlinico Universitario "Agostino Gemelli" IRCCS, Rome, Italy.
概括
生成对抗性网络 (GAN) 现在可以在0.35T的MRI中自动细分有风险的骨盆器官 (OAR),显著加快MRI导向放射治疗. 3D GAN模型与其2D对应模型相比,显示出更高的精度和效率.
科学领域:
- 医学成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能是人工智能.
背景情况:
- 风险器官 (OAR) 和MRI导向放射治疗 (MRIgRT) 中的目标的手动细分是耗时的,容易引起观察者之间的变化.
- 自动化这一过程对于加速MRIgRT工作流程和提高治疗效率至关重要.
- 生成对抗网络 (GAN) 显示出对医疗图像细分任务的前景.
研究的目的:
- 评估3D和2D生成对抗网络 (GANs) 在0.35TMRI上对直肠,膀和股骨头进行自动细分的潜力.
- 评估基于GAN的自动细分在加速在线MRI指导放射治疗 (MRIgRT) 工作流程中的准确性和效率.
主要方法:
- 在60名前列腺癌患者的0.35TMRI上训练并验证了3D GAN架构及其2D等效.
- 使用子相似系数 (DSC) 和第95百分点豪斯多夫距离 (HD95th) 对专家划分来量化细分精度.
- 对内部测试组 (10名患者) 和独立的外部测试组 (16名患者) 进行了性能评估.
主要成果:
- 3D GAN在内部测试中实现了高精度 (例如,膀的DSC 0.92,大腿头的0.94) 和在外部测试中可接受的性能 (例如,直肠的DSC 0.74,膀的0.92).
- 与2D GAN (6.59s) 相比,3D GAN的细分时间 (1.44s) 显著更快.
- 无论是3D还是2D GAN,在内部和外部数据集中都表现出强的性能,3D模型的性能通常优于2D模型.
结论:
- 拟议的3D GAN有效地在0.35T的MRI上以高精度对盆腔OAR (直肠,膀,大腿骨头) 进行了自分区.
- 3D GAN方法显著加快了细分过程,在准确性和速度上都超过了它的2D对应.
- 这项技术有可能简化在线MRIgRT工作流程,减少治疗时间和操作员依赖.
