集体学习用于三维医疗图像分段器官在使用双U-Net,双向ConvLSTMU-Net,和变压器网络在甲状腺疗法的风险
Soniya Pal1,2, Raj Pal Singh1, Anuj Kumar3
1Department of Physics, GLA University, Mathura, Uttar Pradesh, India.
Journal of medical physics
|February 10, 2025
概括
本研究引入了自动化风险器官 (OAR) 分段方法,用于使用深度学习和组合技术进行手臂治疗. 这种新的方法实现了高精度和效率,超过了人类的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 精确的风险器官细分 (OAR) 对于高剂量率支臂治疗的有效性至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
- 自动化这个过程可以提高治疗计划的效率和一致性.
研究的目的:
- 开发和验证一种新型的自动化细分方法,用于高剂量率支臂治疗患者的OAR.
- 通过深度学习和组合技术,提高OAR细分的准确性和效率.
主要方法:
- 使用了来自70名患者的计算机断层扫描 (CT) 数据集,并由放射瘤学家进行手动细分.
- 三种深度学习模型 - - 双U-Net (DUN),双向ConvLSTM U-Net (BCUN) 和变压器网络 (TN) - - 在预处理的CT扫描上接受了训练.
- 应用了集体学习技术,将这些模型的预测结合起来,以提高细分性能.
主要成果:
- 组合模型结合了变压器网络 (TN) 和BCUN,在外部数据集上实现了0.9920.998的平均子相似系数 (DSC).
- DUN + BCUN组合的平均DSC值为0.9900.993. 这种组合的平均DSC值为0.9900.993.
- 95%的豪斯多夫距离 (HD) 是精确的,在TN + BCUN的0.91.2毫米之间,表明了准确的边界划分.
结论:
- 拟议的集体深度学习方法有效地自动化了手臂治疗的OAR细分.
- 这种方法利用了DUN,BCUN和TN的互补优势,以获得更高的准确性和效率.
- 自动化细分在速度和准确性上都超过了人类专家的表现,提供了显著的临床潜力.
