相关实验视频
Updated: May 13, 2026
13:45
Hybrid µCT-FMT imaging and image analysis
Published on: June 4, 2015
13.1K
基于物理的数据增强,以改善形光束计算机断层扫描的训练,为女性骨盆的自分区
Yvonne J M de Hond1, Paul M A van Haaren1, An-Sofie E Verrijssen1
1Department of Radiation Oncology, Catharina Hospital Eindhoven, Eindhoven, the Netherlands.
Physics and imaging in radiation oncology
|March 31, 2025
概括
这项研究开发了一种用于女性骨盆圆形束计算机断层扫描 (CBCT) 图像的自动细分模型. 该模型在计划CT (pCT) 转化为合成CBCT (sCBCT) 的训练中,在没有手动CBCT划分的情况下实现了准确的细分.
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:
- 圆束计算断层扫描 (CBCT) 图像质量挑战手动和自动细分.
- 从计划CT (pCT) 生成合成CBCT (sCBCT),可能导致解剖学上的不准确性.
- 准确的自我细分对于有效的放射治疗计划至关重要.
研究的目的:
- 评估一个仅在女性骨盆CBCT扫描的划定PCT上训练的自分区模型.
- 用物理驱动的合成CBCT (Ph-sCBCT) 图像来评估模型的性能.
- 确定模型对临床CBCT数据的概括性.
主要方法:
- 从pCT图像中合成Ph-sCBCT,以模仿CBCT噪音和文物.
- 通过使用Ph-sCBCT与pCT轮进行自动细分,训练了一个3D nn-UNet模型.
- 在Ph-sCBCT和临床CBCT数据集上使用子相似系数 (DSC) 和豪斯多夫距离 (HD95) 评估了膀,直肠和临床目标体积 (CTV) 的自分割.
主要成果:
- 自动细分模型在Ph-sCBCT图像上表现出强的性能.
- 该模型对临床CBCT进行了很好的概括,在膀 (0.94),直肠 (0.81) 和CTV (0.82) 中实现了高的中位数DSC值.
- 在临床CBCT中,CTV的HD95中位数为7毫米,表明可接受的轮精度.
结论:
- 成功训练了女性盆腔CBCT图像的自分区模型.
- 该模型有效地划分器官和目标体积,而不需要手动CBCT划分.
- 这种方法提供了一种可行的解决方案,用于提高CBCT成像中的自动细分精度.
