一个基于深度学习的框架 (Co-ReTr) 用于在计算机断层扫描图像中对非小细胞肺癌的自动细分
Tenzin Kunkyab1, Zhila Bahrami2, Heqing Zhang2
1Department of Computer Science, Mathematics, Physics and Statistics, University of British Columbia Okanagan, Kelowna, British Columbia, Canada.
Journal of applied clinical medical physics
|February 19, 2024
概括
这项研究引入了一种新的深度学习框架,将CNN和变压器结合起来,以在CT扫描中准确地对非小细胞肺癌 (NSCLC) 瘤进行自细分. 混合模型显著提高了细分精度和效率,有助于临床放射治疗工作流程.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 深度学习,特别是卷积神经网络 (CNN),被广泛用于医疗图像细分.
- 由于卷积层的局部性,CNN在与远程空间依赖性作斗争.
- 变压器,凭借其自我注意力机制,擅长捕捉远程依赖.
研究的目的:
- 开发一种新的深度学习框架,集成CNN和变压器,用于在非小细胞肺癌 (NSCLC) CT 图像中准确和高效的总瘤体积 (GTV) 细分.
- 利用CNN和变压器的优势,克服医疗图像细分方面的个体限制.
- 通过提高自细分精度和减少手工劳动,改善放射治疗的临床工作流程.
主要方法:
- 一个混合深度学习框架,利用多分辨率的图像输入和多深度的骨干.
- 整合一个可变形的变压器与自我注意机制,以捕捉远程的空间依赖.
- 高分辨率3D图像的高效处理,将注意力集中在关键位置,以减少计算复杂性.
主要成果:
- 与现有的基于CNN,基于变压器和混合方法相比,拟议的框架实现了更高的性能.
- 获得了0.92的子得分和1.33的豪斯多夫距离,表明了高分段精度.
- 证明了在临床工作流程中提高早期NSCLC自动细分效率的潜力.
结论:
- 开发的深度学习框架有效地结合了CNN和变压器,以实现高效的自动细分.
- 该模型在协助临床放射治疗工作流程方面表现有前途,特别是在线适应性放射治疗方面.
- 这种混合方法为NSCLC治疗计划的医疗图像细分提供了显著的进步.
