使用RT前MRI扫描和级联双UNet进行头部和部瘤细分
Mikko Saukkoriipi1, Jaakko Sahlsten1, Joel Jaskari1
1Department of Computer Science, Aalto University, Espoo, Finland.
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
|May 7, 2025
概括
这项研究引入了一种双阶段的3DUNet,用于放射治疗MRI扫描中的头癌自分段. 这种新的方法提高了瘤划分的准确性,解决了精确治疗规划方面的挑战.
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:
- 在头癌中,准确细分原发性瘤体积和转移性淋巴结对于放射治疗计划至关重要.
- 手动瘤划分的高观察者间变异性需要有效的自动化细分工具.
研究的目的:
- 开发和评估双阶段的3DUNet自细分方法,用于头癌前放射治疗 (前RT) 的MRI扫描.
- 为了提高瘤划线的准确性和一致性,用于放射治疗治疗计划.
主要方法:
- 建议使用级联神经网络的双阶段3D UNet架构,以逐步改进准确度.
- 该方法使用了一组第一阶段粗模型和第二阶段精细模型进行多类细分.
- 该方法在头部和部瘤细分对MRI指导应用 (HNTS-MRG) 2024任务1数据集上进行了训练和评估,使用RT前和RT中期T2加权的MRI扫描与5倍交叉验证.
主要成果:
- 双阶段方法在测试组中实现了0.737的平均聚合Dice相似系数.
- 与单阶段细分方法相比,在所有交叉验证折叠中观察到一致的性能改进.
- 五个粗模型和十个精细模型的组合展示了强大的细分能力.
结论:
- 拟议的双阶段3D UNet方法为头癌放射治疗的自动瘤细分提供了重大进展.
- 这种方法有效地完善了细分精度,解决了手动划分和观察者间变量的局限性.
- 这些发现支持先进的深度学习技术的实用性,以提高放射治疗的精度和患者的治疗结果.
