一个多模式视觉语言管道战略,用于轮质量保证和自适应优化
Shunyao Luan1, Jun Ou-Yang1, Xiaofei Yang1
1School of Integrated Circuits, Laboratory for Optoelectronics, Huazhong University of Science and Technology, Wuhan, People's Republic of China.
本研究引入了一种新的轮质量保证和自适应优化 (CQA-AO) 策略,用于自动纠正深度学习生成的风险器官 (OAR) 细分在放射治疗中的错误. 该CQA-AO策略显著提高了轮精度,并简化了临床工作流程.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 准确地划分有风险的器官 (OAR) 对于有效的放射治疗规划至关重要.
- 手动检查和纠正深度学习生成的OAR细分是耗时且依赖于运营商的.
研究的目的:
- 提出和评估一个新的轮质量保证和自适应优化 (CQA-AO) 战略.
- 为了自动识别和纠正放射治疗中的OAR不准确的自动细分.
主要方法:
- 开发了一个CQA-AO策略,有三个组成部分:轮QA,不可接受的轮类别分析和自适应优化校正.
- 利用了来自9个机构的586张CT图像和标签的数据集,重点关注脑干,椎和下OAR.
- 集成的视觉语言表示和凸优化算法用于自适应的轮校正.
主要成果:
- 在所有OAR中,CQA-AO策略在轮质量保证任务中实现了高灵敏度,准确度和精度.
- 该战略在识别不可接受的轮类别及其位置方面表现强.
- 适应性优化显著改善了子相似系数 (DSC) 值,高达25.9%,并减少了高达81.6%的豪斯多夫距离.
结论:
- 拟议的CQA-AO策略与OAR轮的传统方法相比,提供了更高的性能.
- 这种自动化方法提高了放射治疗轮和审查工作流程的效率.
- 该CQA-AO战略显示了临床实施的潜力,以提高放射治疗计划的准确性.
更多相关视频
07:12Development of a Gaze-Contingent Display Framework Designed for Perceptual and Oculomotor Research with Simulated Central Vision Loss
Published on: April 11, 2025
09:41A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery
Published on: May 20, 2016
相关概念视频
Improving Translational Accuracy
Reducing Line Loss
With a step-up transformer at the source, the voltage is increased, thereby reducing the current in the transmission lines since power loss...
Depth Perception and Spatial Vision
Topographic Surveying and Contours
Multi-input and Multi-variable systems
In the absence...
Differential Leveling
