通过聚类和分类信息驱动的PET/CT上高效的基于模型的瘤共同细分
Laquan Li1, Chuangbo Jiang2, Lei Yu3
1College of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China.
Computers in biology and medicine
|August 13, 2024
概括
这项研究引入了一种高效的PET/CT瘤共细分方法,使用模糊的C-平均值和贝叶斯分类来克服医学图像分析中的挑战. 该模型有效地处理灰度异质性和模糊边界,改善癌症治疗的瘤细分精度.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 放射学 放射学是一门学科.
背景情况:
- 使用PET/CT进行自动瘤细分对于癌症诊断和治疗计划至关重要.
- 挑战包括灰度异质性和模糊边界在多模式医学图像.
- 由于这些内在的图像复杂性,现有的方法难以准确.
研究的目的:
- 开发一种高效的基于模型的PET/CT瘤共细分方法.
- 解决医疗图像细分中的灰度异质性和模糊边界问题.
- 提高瘤细分的准确性,以改善临床应用.
主要方法:
- 提出了一种新的共同细分方法,将模糊的C-means集群和贝叶斯分类结合起来.
- 引入了灰度相似区域术语,以减轻多模式图像异质性.
- 开发了一个带有模糊C介质的边缘停止函数,以改善模糊边缘定位.
- 纳入基于PET图像像像素分布特征的独特数据保真术语.
主要成果:
- 在头部和部瘤 (HECKTOR) 和非小细胞肺癌 (NSCLC) 数据集上取得了高性能.
- 证明了令人印象深刻的评估指标值:DSC为0.85,RVD为5.32和HD5为0.17.
- 拟议的方法有效地处理灰度异质性和模糊边界.
结论:
- 基于模型的图像细分方法显示出多模式医疗图像的卓越性能.
- 开发的方法为准确的PET/CT瘤共细分提供了强大的解决方案.
- 这种方法在改善辐射瘤学和癌症治疗方面具有显著的潜力.
更多相关视频
06:51Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer
Published on: July 21, 2018
17.9K
09:55Radiosynthesis, Quality Control, and Small Animal Positron Emission Tomography Imaging of 68Ga-Labelled Nano Molecules
Published on: October 4, 2024
336
