临床上适用的半监督学习框架,用于风险的多个器官和瘤划分在肺癌支臂疗法中
Guobin Zhang1, Daguang Zhang2, Qiang Cao3
1Tianjin Key Laboratory for Advanced Mechatronic System Design and Intelligent Control, School of Mechanical Engineering, Tianjin University of Technology, Tianjin 300384, China; National Demonstration Center for Experimental Mechanical and Electrical Engineering Education (Tianjin University of Technology), China.
这项研究验证了一种半监督条件nnU-Net (SSC-nnUNet) 模型用于肺癌细分,提高了瘤学家的效率和准确性. 该模型显示了机器人辅助手术的前景,减少了肺癌治疗中的错误.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肺癌细分的深度学习模型需要强大的临床验证.
- 在现实场景中将自动细分技术通用化是一项挑战.
研究的目的:
- 为了验证一个半监督的有条件nn-Net (SSC-nnUNet) 模型对风险器官 (OAR) 和瘤细分在肺癌支臂疗法.
- 探索该模型在机器人辅助穿孔诊断和肺癌治疗方面的潜力.
主要方法:
- 在四个部分标记数据集中训练并验证了SSC-nnUNet模型,使用来自674名患者的CT数据.
- 评估模型性能,使用6名经验丰富的专家和8名初级瘤学家纠正/划出轮.
- 进行了机器人辅助的穿孔实验,以评估肺癌治疗的可行性.
主要成果:
- 经验丰富的专家在模型辅助下实现了1.38%的平均修订度.
- 使用该模型的初级瘤学家显示,平均修订程度为-1.82%和83.4%的效率提高.
- 在机器人辅助的肺癌穿孔实验中,平均误差为0.78毫米.
结论:
- SSC-nnUNet模型显著提高了细分质量和效率,特别是对于初级瘤学家来说.
- 该模型显示了在机器人辅助肺癌诊断和治疗中临床应用的巨大潜力.
更多相关视频
08:54Treatment of Liver Metastases Using an Internal Target Volume Method for Stereotactic Body Radiotherapy
Published on: May 8, 2018
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023