基于U-Net变种的形束CT细分用于手术内电子辐射疗法,采用变压器和扩展LSTM方法
Sara Vockner1, Matthias Mattke1, Ivan M Messner1
1Department of Radiation Therapy and Radiation Oncology, Paracelsus Medical University, 5020 Salzburg, Austria.
Cancers
|February 13, 2025
概括
本研究介绍了一种人工智能模型,将变压器功能与U-Net集成,以改进手术内电子辐射疗法 (IOERT) 圆束CT (CBCT) 分段. 增强的U-Net实现了卓越的准确性,解决了关键的IOERT规划挑战.
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:
- 人工智能应用在放射治疗中越来越多,但在手术内电子辐射疗法 (IOERT) 中有限.
- 目前还没有人工智能解决方案来对IOERT中使用的移动CBCT设备的圆束CT (CBCT) 图像进行轮.
- 标准U-Net在医疗图像细分方面与全球背景作斗争.
研究的目的:
- 通过使用先进的AI架构,增强IOERT的CBCT细分精度.
- 评估结合变压器和xLSTM功能的混合U-Net模型与标准U-Net和手动细分的性能.
- 通过自动轮来解决基于3D图像的IOERT中耗时的治疗计划.
主要方法:
- 训练并评估了三个AI架构:标准的U-Net,具有变压器功能的U-Net和具有xLSTM的U-Net.
- 利用了接受IOERT的乳腺癌患者的55个CBCT扫描.
- 使用子相似系数 (DSC) 评估细分性能.
主要成果:
- 具有变压器功能的U-Net实现了0.88.8的最高平均DSC.
- 这种混合型号比标准的U-Net (DSC 0.83) 平均提高了5%.
- 与标准的U-Net.相比,使用xLSTM的U-Net表现较差 (DSC为0.66).
结论:
- 混合U-Net架构与变压器功能显著提高了IOERT的CBCT细分精度.
- 这一进步可以促进自动轮,使合成CT图像生成成为可能.
- 这些发现有助于克服IOERT的时间密集型治疗规划挑战.
