放射学引导的生成对抗网络用于使用计算机断层扫描图像进行鼻癌的自动初级目标体积细分,使用计算机断层扫描图像
Juebin Jin1, Jicheng Zhang1, Xianwen Yu1
1Department of Radiotherapy Center, 1st Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
Medical physics
|November 13, 2024
概括
这项研究引入了一种新的围放射学引导的生成对抗网络 (PRG-GAN),用于CT图像上改善鼻癌总瘤体积 (GTVp) 的自动细分. PRG-GAN显著提高了划界精度,解决了低对比分辨率带来的挑战.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 无线电学和深度学习
背景情况:
- 鼻癌 (NPC) 的自动总瘤体积 (GTVp) 分段是具有挑战性的,因为在CT图像中具有相似的视觉特征和低对比分辨率.
- 现有的放射学和深度学习 (DL) 方法在CT数据集上为NPC GTVp细分而努力实现最佳结果.
研究的目的:
- 提出一个新的周围管放射学引导的生成对抗网络 (PRG-GAN),以克服NPC的自动GTVp细分方面的局限性.
- 通过将放射学特征与生成对抗网络 (GAN) 集成,提高CT图像中GTVp划分的准确性.
主要方法:
- 使用了157名NPC患者CT图像的数据集,分为培训,验证和测试队列.
- 采用标准的GAN架构,用形态扩展来定义放射学特征提取的周围区域.
- 放射学特征与语义特征融合在区分器的完全连接层中,用于voxel级别的分类和细分,使用DSC,HD95和ASSD指标进行评估.
主要成果:
- 与标准GAN相比,PRG-GAN模型显示了细分性能的显著改善.
- 平均子相似系数 (DSC) 从0.80提高到了0.85 (p=0.001,d=0.71).
- 平均95%的豪斯多夫距离 (HD95) 降至4.15毫米 (p=0.002,d=0.67),平均对称表面距离 (ASSD) 降至1.11毫米 (p<0.001,d=0.46).
结论:
- 将放射学特征集成到GAN中提供了一个有希望的方法来解决NPC的GTVp细分中的不清楚边界限制.
- PRG-GAN模型显著提高了CT图像中GTVp的划界精度,显示了临床应用的潜力.
