相关实验视频
Updated: May 10, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
319
不确定性引导的胰腺瘤自分割与特维斯基合奏
Cenji Yu1, Skylar S Gay1, Aashish C Gupta1
1The University of Texas MD Anderson Cancer Center UTHealth Graduate School of Biomedical Sciences (GSBS), 6767 Bertner Avenue, Houston, TX 77030, USA.
Physics and imaging in radiation oncology
|April 25, 2025
概括
这项研究引入了一个用于胰腺总瘤体积 (GTV) 细分的人在循环工具,使用Tversky合奏和不确定性估计. 该方法提高了细分的准确性和临床医生的定制性,以挑战胰腺GTV划分.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 放射学和计算病理学
- 瘤学和外科手术规划
背景情况:
- 胰腺总瘤体积 (GTV) 细分由于形态变化和不确定的基本真相而复杂.
- 现有的深度学习方法面临着不确定的基础真理和缺乏定制选项的挑战.
- 准确的GTV划分对于有效的胰腺癌治疗计划至关重要.
研究的目的:
- 开发一种用于胰腺GTV细分的人在循环工具.
- 为了利用Tversky集和不确定性估计,提高细分精度.
- 为临床医生提供可定制的细分输出,以提高信心.
主要方法:
- 利用了282例来自医学细分十项赛 (胰腺任务) 的患者病例.
- 使用Tversky损失层训练了一个五个成员的细分组合.
- 使用不确定性估计和概率值来生成最终轮.
- 通过使用子相似系数 (DSC),豪斯多夫距离95 (HD95) 和平均表面距离 (MSD) 对地面真相评估了11个轮.
主要成果:
- 特维尔斯基组合实现了0.47的DSC,12.70毫米的HD95和3.24毫米的MSD.
- 拟议的方法性能优于Swin-UNETR配置,该配置之前持有最先进的结果.
- 确定了最佳的值配置,以生成准确的细分轮.
结论:
- 基于组合的不确定性估计对胰腺瘤细分有效.
- 该工具提供了一个共识概率图,用于临床医生微调和定制.
- 这种方法提高了产生胰腺GTV轮的信心.
