增强nnUNetv2培训与Autoencoder架构用于改善医疗图像细分
Yichen An1, Zhimin Wang1, Eric Ma1
1NeuralRad LLC, 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
|May 8, 2025
概括
一种新的深度学习模型在MRI导向放射治疗中增强了头癌 (HNC) 瘤的自分化. 这种改进的准确性有助于辐射瘤学的临床工作流程.
科学领域:
- 放射治疗和瘤学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 在头癌 (HNC) 中,总瘤体积 (GTVs) 的准确自细分对于有效的MRI指导放射治疗 (RT) 是至关重要的.
- 目前的细分方法在精度方面面临挑战,影响临床工作流程.
研究的目的:
- 开发和评估一种新的深度学习模型,用于通过MRI引导的RT图像在HNC中增强GTV的自动细分.
- 提高放射瘤学中瘤划定的准确性和效率.
主要方法:
- 开发一个修改后的nnUNetv2深度学习框架,包含一个自动编码器架构.
- 包含原始训练图像作为额外的输入通道,并利用平均平方误差 (MSE) 损失函数.
- 在150名HNC患者数据集上进行培训,并对50名测试患者进行私人评估,以应对HNTS-MRG 2024挑战.
主要成果:
- 在转移性淋巴结 (GTVn) 中,获得了0.8516的聚合子相似系数 (DSCagg).
- 在初级瘤 (GTVp) 中获得0.7318的DSCagg,在两个结构中平均DSCagg为0.7917.
- 证明了增强的nnUNet架构有效地学习了额外的图像特征,提高了细分的准确性.
结论:
- 修改后的nnUNetv2框架具有自动编码器和组合损失功能,可显著提高MRI引导RT中HNC的自动细分精度.
- 这种深度学习方法有助于在放射瘤学中实现更精确,更有效的临床工作流程.
- 该模型对改善头癌放射治疗的治疗规划和交付充满希望.
