用预先训练的STU-Net模型进行MRI导向放射治疗的头部和部瘤细分
Zihao Wang1,2, Mengye Lyu1,2
1College of Health Science and Environmental Engineering, Shenzhen Technology University, Shenzhen, China.
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 11, 2025
概括
作为一种先进的深度学习模型,STU-Net在为MRI导向放射治疗 (RT) 划分头部瘤方面的表现优于nnU-Net v2. 这提高了治疗计划的准确性和患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 精确的瘤细分对于有效的放射治疗 (RT) 计划至关重要,特别是在头癌 (HNC) 中.
- 深度学习模型为医疗图像细分提供自动化解决方案.
研究的目的:
- 为了比较STU-Net和nnU-Netv2在HNC的RT前MRI图像中的自动瘤细分的性能.
- 评估STU-Net对复杂瘤结构的可扩展性和可转移性.
主要方法:
- 在RT前MRI数据上对STU-Net和修改后的nnU-Netv2进行比较分析.
- STU-Net使用了大规模的预训练 (例如,TotalSegmentator) 和具有可扩展的参数大小.
- nnU-Net v2 修改了额外的卷积层,以提高MRI数据的性能.
主要成果:
- 与nnU-Net v2相比,STU-Net在头部和部瘤细分方面表现优越.
- 微调的STU-Net-B模型实现了0.76的DSCagg-GTVp,0.85的DSCagg-GTVn,以及0.81.81的整体DSCagg-平均值.
- 这一表现在HNTS-MRG 2024挑战任务1中获得了第九名.
结论:
- STU-Net显示了提高临床工作流程中RT规划精度的巨大潜力.
- 像STU-Net这样的先进深度学习模型可以通过更准确的瘤细分来改善患者的治疗结果.
- 这项研究强调了STU-Net在捕获HNC中复杂和可变的瘤结构方面的有效性.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
06:44Modeling Brain Metastases Through Intracranial Injection and Magnetic Resonance Imaging
Published on: June 7, 2020
7.2K