知识继电器:协同生成和转移学习用于多式图像上的胰腺瘤细分
Shuiping Gou1, Ningtao Liu1, Wenbo Liu2
1Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi'an, Shannxi, China.
Medical physics
|March 3, 2025
概括
这项研究引入了一个新的知识中继框架,用于精确的胰腺瘤细分,即使使用有限和碎片化的多式成像数据. 该方法显著提高了细分精度,这对于胰腺癌中有效的放射治疗计划至关重要.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 胰腺癌的存活率很低,因此需要改进治疗策略,如图像导向放射治疗.
- 由于瘤特征和有限的多式成像数据,精确的胰腺瘤细分具有挑战性.
- 现有的数据集是分散的,阻碍了胰腺瘤细分的有效知识表示.
研究的目的:
- 在严重的数据限制下开发精确的胰腺瘤细分方法.
- 解决碎片化数据集的局限性,包括小样本大小,不一致的损伤匹配和不完整的模式.
主要方法:
- 提出了一个知识继电器框架,使用协同生成和转移学习.
- 来自三个数据集的综合多模式图像 (CT,MR,PET).
- 采用一个面具受限的CycleGAN和一个互关注的UNet来增强知识提取和利用.
主要成果:
- 在PET/MR图像上的胰腺瘤细分方面取得了最先进的性能.
- 获得的子相似系数 (DSC) 为80.06%,灵敏度 (SEN) 为83.39%,特异性 (SPE) 为99.81%.
- 在19名受试者中报告的平均表面距离 (ASD) 为4.87毫米,95%的豪斯多夫距离 (95HD) 为12.69毫米.
结论:
- 知识中继框架有效地从碎片化数据集中提取和整合知识.
- 该方法在受限条件下显著提高了胰腺瘤细分精度.
- 通过比较和废弃实验进行验证,证明了框架的稳定性.
