关于用于磁共振引导应用 (HNTS-MRG) 2024年挑战的头部和部瘤细分的概述
Kareem A Wahid1,2, Cem Dede1, Dina M El-Habashy1,3
1Department of Radiation Oncology, The University of Texas MD Anderson Cancer, Houston, TX, USA.
Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings
|March 21, 2025
概括
人工智能 (AI) 针对头癌 (HNC) 的自动瘤细分在MR指导放射治疗 (RT) 中显示出前景. 顶级人工智能模型取得的结果超过了人类的准确性,推进了HNC治疗的自动细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 磁共振 (MR) 导向辐射疗法 (RT) 为头癌 (HNC) 治疗提供了卓越的软组织对比.
- 在HNC的MR引导RT中手动瘤细分是耗时且具有挑战性的.
- 对于HNC来说,大量的,公开可用的AI-ready适应性RT数据集很稀缺.
研究的目的:
- 加速人工智能驱动的自动瘤细分领域的创新,用于HNC的MR导向RT.
- 解决HNC中需要大型,AI准备的适应性RT数据集的需求.
- 用多时间点MR数据评估AI算法在细分瘤和淋巴结方面的性能.
主要方法:
- 为MR指导应用 (HNTS-MRG) 2024挑战赛组织了头部和部瘤细分.
- 参与者开发了人工智能算法,用于细分原发性瘤总体积 (GTVp) 和总转移性区域淋巴结 (GTVn).
- 在RT前 (任务1) 和RT中期 (任务2) 的T2加权MR扫描中使用Docker提交框架进行了细分.
主要成果:
- 19个团队提交了算法和论文,分别为任务1和任务2的18个和15个提交.
- 顶级人工智能方法在任务1 (GTVp) 中获得了0.825的平均汇总子相似系数,在任务2 (GTVn) 中达到0.733的平均汇总子相似系数.
- 这些AI绩效得分超过了临床医生观察者间可变性基准.
结论:
- 人工智能驱动的自动瘤细分对于HNC中的MR导向RT是非常有效的.
- HNTS-MRG挑战成功促进了创新,并展示了AI在这个领域的潜力.
- 使用人工智能的自动细分显示了提高HNC治疗规划效率和准确性的重大前景.
