Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Enhancing online adaptive radiotherapy with uncertainty based segmentation error and out-of-distribution detection.

Frontiers in oncology·2026
Same author

Deep learning-based dose prediction for magnetic resonance-guided prostate radiotherapy.

Medical physics·2024
Same author

Patient specific deep learning based segmentation for magnetic resonance guided prostate radiotherapy.

Physics and imaging in radiation oncology·2022
Same author

Intrafractional motion models based on principal components in Magnetic Resonance guided prostate radiotherapy.

Physics and imaging in radiation oncology·2021
Same author

Dynamic contrast-enhanced magnetic resonance imaging may act as a biomarker for vascular damage in normal appearing brain tissue after radiotherapy in patients with glioblastoma.

Acta radiologica open·2018

相关实验视频

Updated: Jul 1, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K

对比基于深度学习的前列腺细分的多图像和图像增强策略.

Samuel Fransson1,2

  • 1Department of Medical Physics, Uppsala University Hospital, Uppsala, Sweden.

Physics and imaging in radiation oncology
|March 6, 2024
PubMed
概括
此摘要是机器生成的。

在前列腺放射治疗中使用多个MR-Linac图像进行深度学习,在细分精度上显示出最小的收益. 标准数据增强技术被证明比增加患者数据更有效,以改善细分指标.

关键词:
深度学习是一种深度学习.MR-Linac 的一个地方.前列腺前列腺前列腺分段化 分段化 分段化 分段化

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

399
Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
08:40

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Published on: April 8, 2016

12.8K

相关实验视频

Last Updated: Jul 1, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

399
Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
08:40

Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging

Published on: April 8, 2016

12.8K

科学领域:

  • 医学物理 医学物理
  • 辐射疗法 辐射疗法
  • 人工智能的人工智能

背景情况:

  • 在适应性放射治疗过程中,MR-Linac系统在每个患者身上获取多张图像.
  • 深度学习 (DL) 模型可能会减少放射治疗细分中的手动注释工作.
  • 前列腺癌治疗的好处在于精确的器官细分来进行剂量递送.

研究的目的:

  • 评估使用多个MR-Linac图像与单个图像用于训练前列腺治疗细分的深度学习模型的好处.
  • 评估数据量 (每个患者的图像和患者数量) 对细分性能的影响.

主要方法:

  • 使用前列腺癌患者的单个和多个MR-Linac图像训练了一个2D U-net深度学习模型.
  • 用DICE和豪斯多夫95%指标来评估细分性能.
  • 该研究比较了涉及不同数量的图像和不同数量的患者的训练策略.

主要成果:

  • 与单个图像相比,当使用每个患者的多张图像时, DICE 和豪斯多夫95%指标的最小改善被观察到.
  • 最显著的差异是在低数据场景 (训练使用五名患者的图像) 中的直肠细分方面被发现.
  • 一个2D U-net实现了DICE值0.80,一个图像/患者和0.83,五个图像/患者.
  • 增加培训组中的患者数量减少了单个和多个图像策略之间的性能差距.
  • 标准数据增强方法比使用每个患者多张图像更有效.

结论:

  • 每位患者使用多个MR-Linac图像为使用深度学习模型进行前列腺治疗细分提供了有限的优势.
  • 标准的数据增强技术在提高细分精度方面比增加每个患者的图像数量更有影响力.
  • 未来的研究应该专注于优化数据增强和探索其他深度学习架构或培训策略.