基于MRI的头部和部瘤细分使用nnU-Net与15倍交叉验证组合
Frank N Mol1, Luuk van der Hoek2, Baoqiang Ma2
1Faculty of Science and Engineering,University of Groningen, Nijenborgh 4, 9747 AG Groningen, The Netherlands.
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 25, 2025
概括
使用MRI精确的瘤细分对于适应性放射治疗至关重要. 我们的方法在分割头部瘤和淋巴结方面获得了高的Dice分数,改善了治疗规划.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 与CT和PET相比,MRI为瘤细分提供了优越的软组织对比.
- 准确的瘤细分对于有效的适应性放射治疗计划至关重要.
- 针对MR指导应用的头部和部瘤细分 (HNTSMRG-24) 挑战解决了这一需求.
研究的目的:
- 评估nnU-Net V2框架的性能,用于在头癌中对原发性瘤总体体积 (GTVp) 和转移性淋巴结 (GTVn) 进行细分.
- 为了比较放射治疗前 (RT前) 和放射治疗中期 (RT中期) 阶段的细分精度.
- 通过15倍的交叉验证组合来增强强性.
主要方法:
- 使用nnU-Net V2框架与15倍交叉验证组合.
- 增强的RT前细分数据与相应的中期RT数量.
- 采用三通道输入用于中RT细分,包括注册的RT前MRI和面膜.
主要成果:
- 在任务1 (RT前细分) 中获得了0.81的累计子相似系数 (DSC),在任务2 (RT中细分) 中获得了0.70的子相似系数.
- 任务1的特定DSC为0.77 (GTVp) 和0.85 (GTVn).
- 任务2的具体DSC为0.54 (GTVp) 和0.86 (GTVn).
结论:
- 拟议的nnU-Net V2方法在头部和部瘤和淋巴结细分方面表现强.
- 该方法显示了通过精确的基于MR的细分来改善适应性放射治疗治疗计划的潜力.
- 使用交叉验证集和多通道输入可以提高细分的准确性和稳定性.
