对nnUNet和MedNeXt用于MRI导向放射治疗中头部和部瘤细分的比较分析
Nikoo Moradi1,2, André Ferreira2,3,4,5,6, Behrus Puladi5,6
1Department of Electrical Engineering, Sharif University of Technology, Tehran, Iran.
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
团队TUMOR开发了一种自动化的深度学习方法,用于在MRI扫描中对头部和部瘤进行细分. 他们的方法在HNTS-MRG24挑战中获得了初级瘤细分的第一名.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁共振成像 (MRI) 导向放射治疗 (RT) 通过增强软组织可视化改善头癌 (HNC) 治疗.
- 在HNCMRI扫描中手动细分瘤是一个复杂和耗时的过程,在治疗规划中构成重大挑战.
研究的目的:
- 开发和评估一种自动化的深度学习系统,用于在HNC中对初级总瘤体积 (GTVp) 和转移性淋巴结总瘤体积 (GTVn) 进行细分.
- 为解决手动细分在治疗前和治疗中期MRI扫描中HNC患者的挑战.
主要方法:
- 使用了HNTS-MRG2024数据集,包括150个HNC患者的MRI扫描.
- 采用了最先进的深度学习模型,nnUNet和MedNeXt.
- 针对任务1 (预训练和微调) 和任务2 (多道输入培训) 实施了不同的策略.
主要成果:
- 在HNTS-MRG24挑战任务1中获得第1名,GTVp和GTVn细分的子相似系数 (DSC) 为0.8254.
- 在任务2中以0.7005的DSC获得第8名,在自动瘤细分方面表现出强的表现.
结论:
- 开发的自动化细分解决方案显著提高了HNC处理计划的效率和准确性.
- 这种公开的解决方案有助于推进用于癌症治疗的AI驱动医学成像.
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
05:56Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.3K