在放射治疗的计算机断层扫描图像中改善了大脑转移总瘤体积的自动细分:U-Net架构的位置注意模块
Yiren Wang1,2, Yiheng Hu3, Shouying Chen1,2
1School of Nursing, Southwest Medical University, Luzhou, China.
Quantitative imaging in medicine and surgery
|July 18, 2024
概括
这项研究引入了一种改进的U-Net模型,具有位置注意模块 (PAM),用于CT扫描中精确的脑转移细分,增强放射治疗计划. 这种新模型在粗瘤体积划分方面显著优于标准的U-Net.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 大脑转移对放射治疗构成挑战,原因是瘤精确划界的困难.
- 目前用于总瘤体积 (GTV) 分段的方法缺乏效率和准确性.
- 准确的GTV细分对于有效的放射治疗计划至关重要.
研究的目的:
- 开发一个改进的U-Net模型,用于大脑转移中的自动GTV细分.
- 通过改进的细分来提高放射治疗规划的效率和准确性.
- 将位置注意模块 (PAM) 整合到U-Net架构中,以提高性能.
主要方法:
- 来自两个中心的CT模拟成像数据集的回顾性收集.
- 在过渡层中使用PAM增强U-Net架构.
- 使用交叉损耗训练模型,并使用DSC,IoU和MCC等指标评估性能.
主要成果:
- 经过PAM改进的U-Net在外部验证数据集上实现了0.753±0.172的子相似系数 (DSC).
- 拟议的模型的性能优于标准的U-Net (DSC为0.691±0.142).
- 细分结果更接近基本真相,揭示了更详细的瘤特征.
结论:
- 经PAM改进的U-Net模型显著增强了针对大脑转移的自动GTV细分.
- 该模型的卓越性能表明,它有可能简化放射治疗的规划并提高准确性.
- 拟议的模型对临床采用有希望,有助于瘤学家在GTV细分决策中.
