来自[¹⁸F]F-FDG PET/CT图像的头部和部瘤细分基于3D扩散模型的图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 头部和部 (H&N) 癌症在全球范围内很常见.
• [18F]F-FDG PET/CT对于H&N癌症管理至关重要.
• 扩散模型在图像生成任务中显示出有希望的结果.

研究的目的:

• 提出和评估用于H&N瘤细分的3D扩散模型.
• 从3D PET和CT卷中准确细分瘤.
• 将3D扩散模型与最先进的方法进行比较.

主要方法:

• 开发了一个包含3D UNet架构的3D扩散模型.
• 使用连接的3D PET,CT和高斯噪声体积作为输入.
• 在HECKTOR挑战数据集上评估模型,与U-Net和Transformer模型进行比较.

主要成果:

• 3D扩散模型获得了0.739的平均子得分,优于其他方法 (子<0.726).
• 与2D扩散模型相比,3D模型显著改善了细分 (Dice 0.739与0.669).
• 双模式PET/CT数据比单模式数据产生更好的结果 (Dice>0.570).

结论:

• 拟议的3D扩散模型在H&N瘤细分方面表现出高效.
• 三维方法和双模式数据集成提高了细分的准确性.
• 这种方法为H&N癌症管理提供了有希望的进步.