自主监督学习双序磁共振成像用于自动细分鼻癌的鼻癌
Zongyou Cai1, Zhangnan Zhong1, Haiwei Lin1
1Medical AI Lab, School of Biomedical Engineering, Medical School, Shenzhen University, Shenzhen, China.
概括
这项研究引入了一种新的方法来细分鼻癌 (NPC),使用自我监督学习和双序MRI. 这种方法显著提高了准确性,减少了在癌症治疗中需要广泛的手动注释的需要.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 自动化鼻癌 (NPC) 分段对治疗至关重要,但受到有限的注释数据的阻碍.
- 以前用于细分的自我监督学习方法往往无法利用双序MRI数据.
- 准确的NPC划分对于有效的放射治疗规划和患者的治疗结果至关重要.
研究的目的:
- 开发一种使用自主监督学习与双序MRI的自动化NPC细分方法.
- 为了提高细分精度,减少对大型手动注释数据集的依赖.
- 评估拟议的自动化细分技术的临床适用性和效率.
主要方法:
- 将自主监督学习与突出转换模块相结合.
- 使用未标记的双序磁共振成像 (MRI) 数据进行网络训练.
- 开发和评估一个新的网络,使用44个标记和72个未标记的患者数据集.
主要成果:
- 实现了0.77的平均子相似系数 (DSC),与在广泛的注释数据上训练的模型相比.
- 达到临床标准所需的最小调整 (<20% DSC 调整).
- 验证了使用未标记的双序MRI用于NPC细分的有效性.
结论:
- 拟议的方法通过自主监督学习和双序MRI提高了自动NPC细分的准确性.
- 这种方法显著减少了瘤学家的注释负担,并最大限度地减少了主观性.
- 这些发现支持人工智能驱动的工具在癌症治疗中可靠的NPC划分的临床实用性.
