自动瘤定位和细分通过混合神经网络在头癌的头癌
1Department of Biostatistics & Data Science, The Reliable Intelligence and Medical Innovation Laboratory (RIMI Lab), University of Kansas Medical Center, Kansas City, KS, 66160, USA.
概括
一个新的混合神经网络 (HNN) 准确地使用YOLOv4和U-Net.net对头部 (H&N) 瘤进行细分. 这种自动化方法增强了瘤局部化和细分,改善了H&N癌症治疗计划.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射学 放射学是一门学科.
背景情况:
- 头部 (H&N) 癌症占美国癌症病例的3%.
- 精确的瘤细分对于有效的H&N癌症治疗计划和个性化剂量测量至关重要.
- 当前的细分方法可能耗时,可能缺乏精度.
研究的目的:
- 开发一种用于精确瘤定位和细分的自动化方法,用于H&N癌症.
- 通过先进的成像分析来提高临床效率和改善治疗结果.
- 将对象检测和图像分割集成到一个统一的深度学习框架中.
主要方法:
- 开发了一个混合神经网络 (HNN),集成YOLOv4进行对象检测和U-Net进行细分.
- 该HNN处理了48名H&N癌症患者的PET和CT图像.
- 性能与更快的R-CNN + U-Net和单独的U-Net进行了比较,使用了诸如灵敏度,特异性,F-Score和IoU之类的指标.
主要成果:
- YOLOv4 + U-Net 组合实现了卓越的性能.
- 对于YOLOv4 + U-Net的关键指标包括0.89的灵敏度,0.99的特异性,0.84的F-Score和0.72.7的IOU.
- 这种混合型号在瘤细分精度方面表现优于Faster R-CNN + U-Net和U-Net单独.
结论:
- 成功开发了一种新的HNN,用于完全自动的H&N瘤定位和细分.
- 实验结果表明,HNN作为临床H&N瘤学的宝贵工具具有重大潜力.
- 自动化细分方法有望提高诊断准确性和治疗规划效率.
