深度学习用于长度大瘤体积细分在MRI指导的适应性放射治疗头部和部癌症
Xin Tie1, Weijie Chen1, Zachary Huemann1
1University of Wisconsin, Madison, WI, USA.
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 29, 2025
概括
深度学习模型准确地对头癌放射治疗的总瘤体积 (GTV) 进行细分. 结合处理前和中期数据,提高了细分精度,简化了工作流程.
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:
- 准确的瘤总体积 (GTV) 分段对于头癌的MRI导向自适应性放射治疗 (MRgART) 是至关重要的.
- 手动细分是耗时的,并且受到观察者之间的变化影响.
- 深度学习 (DL) 提供自动GTV划分来解决这些局限性.
研究的目的:
- 在MRgART中开发和评估用于头癌的纵向GTV细分的DL模型.
- 为应对辐射治疗前 (RT前) 和辐射治疗中期 (RT中期) 阶段的细分挑战.
- 在放射性瘤学工作流程中提高GTV细分的准确性和效率.
主要方法:
- 使用SegResNet开发DL模型,以深度监督为支柱.
- 任务1 (RT前):在RT前和RT中期的MRI数据组合上训练模型.
- 任务2 (中期RT):引入了面具意识的注意模块,用于将前期RT信息纳入中期RT细分.
主要成果:
- 与单独的RT前数据相比,组合的RT前和中期数据改善了任务1的Dice相似系数 (DSC_agg).
- 在任务2中,以注意力为基础的方法显示了与基线连接相比的轻微改善.
- 集合模型获得了第一名,平均DSC_agg为0.794 (任务1) 和0.733 (任务2).
结论:
- 开发的DL模型有效地促进了MRgART中的GTV细分.
- 纵向数据集成和注意力机制提高了细分性能.
- 这些模型有可能简化放射瘤学工作流程并改善治疗的交付.
