深度编码器-解码器架构的基准用于磁共振图像中的头部和部瘤细分:为HNTSMRG挑战的贡献
1Department of Measurement and Electronics, AGH University of Krakow, Krakow, Poland.
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
|April 9, 2025
概括
一种传统的基于UNet的残留方法在MRI扫描中优于较新的深度学习模型来对头癌进行细分,这突显了辐射治疗规划中数据准备和预处理的重要性.
科学领域:
- 医学成像和放射瘤学医学成像和放射瘤学
- 医疗保健中的人工智能
- 深度学习用于医学图像细分的深度学习.
背景情况:
- 由于其成像优势,MRI导向放射治疗越来越多地用于头癌.
- 在MRI中精确细分瘤对于有效的放射治疗规划和治疗至关重要.
- 手动细分是耗时和具有挑战性的,激发了对自动化方法的需求.
研究的目的:
- 在MRI中对头癌进行最先进的深度学习细分架构进行基准测试.
- 评估先进的编码器-解码器架构在低数据,低对比度场景中的影响.
- 确定治疗前和治疗中期瘤细分的最有效方法.
主要方法:
- 几个深度学习细分架构的基准测试,包括UNETR,SwinUNETR,SegMamba,以及基于UNet的残余方法.
- 对头癌MRI细分的HNTSMRG挑战数据集的评估.
- 使用子得分 (DSC) 度量表的细分性能比较.
主要成果:
- 与UNETR (DSC = 0.617/0.657),SwinUNETR (DSC = 0.757/0.700) 和SegMamba (DSC = 0.708/0.683) 等新架构相比,剩余的基于UNet的方法获得了更高的性能 (DSC = 0.775/0.701).
- 通过lWM团队的方法 (基于UNet的残留) 实现了0.771 (治疗前) 和0.707 (治疗中期) 的平均汇总Dice得分.
- 结果表明,对于这个特定的任务,数据准备,目标功能和预处理比网络架构更为重要.
结论:
- 像残留UNet这样的传统方法可以在具有挑战性的医疗图像细分任务中非常有效,即使数据有限且对比度低.
- 数据准备和预处理策略在MRI中实现精确的头癌细分方面,比先进的网络架构发挥更重要的作用.
- 进一步的研究应该专注于优化这些基础元素,以改善辐射瘤学中的自动化细分.
