一个基于Mamba的深度学习模型,用于宫癌手臂治疗中的自动细分
Lele Zang1, Jing Liu1, Huiqi Zhang2
1Department of Gynecology, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, Fuzhou, 350011, Fujian, China.
Scientific reports
|March 25, 2025
概括
一个新的基于Mamba的模型 (AM-UNet) 准确地划分了宫癌支臂治疗点 (HRCTV) 和有风险的器官 (OAR). 这种人工智能工具显示了改善治疗规划和临床工作流程的潜力.
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 物理 物理
背景情况:
- 宫癌支臂治疗需要精确划分临床目标体积 (CTV) 和有风险的器官 (OAR).
- 手动轮是耗时的,并且受观察者之间的变化影响.
- 自动化细分模型可能会提高效率和一致性.
研究的目的:
- 为了开发和评估一个自动细分模型,AM-UNet基于Mamba框架.
- 为了比较AM-UNet与其他深度学习模型的性能,用于宫癌骨干疗法细分.
- 评估拟议模型的临床适用性和剂量测量影响.
主要方法:
- 使用Mamba框架开发AM-UNet,用于对高风险临床目标体积 (HRCTV) 和OAR进行细分.
- 培训和验证来自179名宫癌患者的694个CT扫描.
- 使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和剂量体积指数 (DVI) 的性能评估,与UNet,DeepLab V3,UNETR和nnU-Net.Net相比.
主要成果:
- AM-UNet实现了高平均DSC:0.862 (HRCTV),0.937 (膀),0.823 (直肠) 和0.725 (sigmoid). 在此过程中,他们获得了高平均DSC.
- 主观评估表明,93.07%的AM-UNet HRCTV细分是临床上可接受的或需要轻微调整.
- AM-UNet和手动轮之间的剂量测量差异在1%以内.
结论:
- AM-UNet模型在宫癌支臂疗法中展示了自动化细分的强大性能.
- 它的准确性和效率表明,它有很大的潜力提高临床工作流程和治疗计划.
- 这种人工智能驱动的方法可能会导致更一致,更精确的放射治疗.
