总瘤体积置信度映射预测软组织肉瘤从使用扩散模型的多模式医学图像

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 准确的总瘤体积 (GTV) 划分对于软组织肉瘤放射治疗至关重要.
• 手动GTV划分是耗时的,容易产生读者间的变化,影响治疗的可重现性.

研究的目的:

• 使用深度学习开发软组织肉瘤的自动GTV划分技术.
• 为了建模和考虑GTV轮中的读者变化.

主要方法:

• 利用49名软组织肉瘤患者的多模式图像 (FDG-PET,CT,MRI) 的数据集.
• 训练了一个基于扩散模型的神经网络来预测GTV信任图.
• 嵌入的信任地图来源于多个专家读者划分.

主要成果:

• 扩散模型在五个关键指标 (子,豪斯多夫距离,回忆,精度,屏障得分) 上表现出与U-Net模型相比的竞争性表现.
• 与单模或双模输入相比,多模图像输入显著提高了性能.
• 该模型在预测GTV信心地图方面取得了很高的准确性.

结论:

• 拟议的扩散模型有效地预测了软组织肉瘤的准确GTV信心图.
• 这种自动化方法有可能提高放射治疗规划的效率和可重复性.