相关实验视频
Updated: Jun 2, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
366
头部和部自动多器官细分在双能量计算机断层扫描上
Anh Thu Lê1, Killian Sambourg1, Roger Sun1,2
1Université Paris-Saclay, Gustave Roussy, Inserm, Molecular Radiotherapy and Therapeutic Innovation, U1030, 94800 Villejuif, France.
Physics and imaging in radiation oncology
|January 13, 2025
概括
双能CT (DECT) 自动细分软件在头癌患者中表现不同. 虽然PEI80-DD图像产生了最高的子相似系数,但该系统很难在所有器官中进行概括,因此需要调整数据集.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 基于深度学习的自动细分对于在放射性瘤学中划分有风险的器官至关重要.
- 双能CT (DECT) 提供增强的对比成像,可能改善手动和自动划分.
- 这项研究评估了商业自动细分软件在DECT生成图像上的性能.
研究的目的:
- 用各种DECT图像重建来评估商业自动分割软件的性能.
- 为了将自动细分结果与头部和部结构的地面真相划分进行比较.
- 确定特定的器官,其中DECT获取最有利于自动轮.
主要方法:
- 分析了74名头部和部 (HN) 患者数据集,这些数据集具有不同的DECT图像类型:PEI80-DD,PEI80,PEI120和VMI40.
- 自动细分与专家定义的地面真相 (GT) 划分进行了比较.
- 性能指标包括子相似系数 (DSC),第95百分点豪斯多夫距离 (95HD) 和平均表面距离 (MSD).
- 进行了甲状腺,状腺和淋巴结界线的定性评估.
主要成果:
- 自动细分软件在甲状腺和淋巴结II级别的PEI80-DD和VMI40图像上表现不佳.
- 状腺自分段在所有图像类型中获得了优异的质量评分.
- PEI80-DD图像获得了最高的DSC分数,在所有评估器官的其他重建中表现明显优于其他重建 (p < 0.05).
结论:
- 自动轮系统对DECT采集生成的图像具有有限的概括性.
- 识别受益于DECT的特定器官对于调整和改进培训数据集至关重要.
- 需要进行进一步的研究,以优化用于放射瘤学应用的DECT数据的自动细分性能.
更多相关视频
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.1K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
