基于深度学习的自动肝脏轮测定使用放射治疗计划计算机断层扫描图像的一个小样本
N Arjmandi1, M Momennezhad2, S Arastouei3
1Department of Medical Physics, School of Medicine, Mashhad University of Medical Sciences, Mashhad, Iran; Student research committee, Mashhad University of medical sciences, Mashhad, Iran.
Radiography (London, England : 1995)
|August 23, 2024
概括
深度学习使用有限的数据准确地对肝脏进行细分,用于放射治疗规划. 经过修改的U-Net模型在未见的数据集上显示出强大的概括性,在小型训练集中展示了可行性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 放射治疗规划和图像细分的图像细分.
背景情况:
- 在医学成像学中深度学习的有限数据可用性.
- 在放射治疗中需要有效的肝脏轮.
研究的目的:
- 调查基于深度学习的肝脏轮的最低数据要求.
- 评估使用有限数据自动化肝脏细分的可行性.
主要方法:
- 放射治疗计划CT图像的预处理 (消除噪音,窗口)
- 使用修改的注意力U-Net和剩余U-Net网络进行细分.
- 对内部测试集和两个未见的外部数据集的模型性能评估.
主要成果:
- 修改后的残留U-Net实现了97.62%的子相似系数 (DSC) 通过62个培训案例.
- 平均豪斯多夫距离为0.57毫米 (残余U网) 和0.71毫米 (注意U网).
- 对外部数据集的高DSC分数 (95.16%-95.82%) 表明强大的通用性.
结论:
- 深度学习模型可以通过小型训练数据集实现准确的肝脏细分.
- 拟议的方法证明了对未见数据的稳定性和通用性.
- 在放射治疗规划中,自动化肝脏轮的潜力.
