增强的跨阶段注意力U-Net用于食道目标体积细分
Xiao Lou1,2, Juan Zhu3, Jian Yang4
1Laboratory of Image Science and Technology, Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Ministry of Education, Southeast University, Sipailou 2, Nanjing, P.R. China.
BMC medical imaging
|December 19, 2024
概括
这项研究引入了一种增强的跨阶段注意力U-Net,用于在CT图像中改善食道瘤总体体积 (GTV) 和临床瘤体积 (CTV) 细分,克服放射治疗规划中的挑战.
科学领域:
- 医疗成像医学成像
- 放射治疗规划 放射治疗规划
- 计算解剖学的计算解剖学
背景情况:
- 对目标体积和有风险的器官 (OAR) 的准确细分对于有效的放射治疗至关重要.
- 由于复杂的解剖学和低组织对比度,CT图像中的食道细分具有挑战性.
- 现有的方法难以准确地定位和缩放食道.
研究的目的:
- 提出一个增强的跨阶段注意力U-Net,用于精确细分食道GTV和CTV.
- 为了解决放射治疗CT图像中食道细分方面的困难.
- 通过更好的食道细分来提高放射治疗规划的效率和准确性.
主要方法:
- 开发了一种新的增强跨阶段注意力U-Net架构.
- 包含一个主要组件分析模块,用于初始特征提取.
- 使用跨阶段的特征融合模型与宽范围注意力 (WRA) 和小内核局部注意力 (SLA) 单元.
- 实现了一个反向瓶单元,具有全球频率响应层,用于功能地图增强.
主要成果:
- 拟议的方法实现了对食道GTV和CTV的竞争性细分结果.
- 平均表面距离 (MSD) 在GTV: 2.83毫米; 在CTV: 5.26毫米.
- 豪斯多夫距离 (HD) 在GTV:11.79毫米;在CTV:16.22毫米.
- 对于GTV的子系数 (DC): 72.45%;对于CTV: 71.06%.
结论:
- 增强的跨阶段注意力U-Net在食道GTV和CTV细分方面表现出卓越的性能.
- 在U-Net架构中重建跳过连接,提高了细分精度.
- 拟议的网络在放射治疗规划中为食道细分提供了更有效的解决方案.
