在MR导向应用中评估自我监督的xLSTM-UNet架构用于头部和部瘤细分
Abdul Qayyum1, Moona Mazher2, Steven A Niederer1
1National Heart and Lung Institute, Faculty of Medicine, Imperial College London, London, UK.
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 22, 2025
概括
一个新的两阶段模型增强了MRI导向放射治疗 (RT) 的头部和部瘤细分. 这种方法提高了精度,并尽量减少癌症治疗中的副作用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 放射治疗 (RT) 对头癌 (HNC) 非常重要.
- 通过MRI引导的RT提供了更高的精度和更少的副作用.
- 准确的瘤细分对于适应性RT规划至关重要.
研究的目的:
- 开发一种新的头部和部瘤细分 (HNTS) 两阶段模型,优化用于MRI引导的自适应性RT.
- 用自主监督学习解决医学成像中的数据稀缺挑战.
- 通过整合空间和时间特征来提高细分精度.
主要方法:
- 使用DINOv2的自主监督的3D学生-教师学习框架,用于在未标记的数据上进行表示学习.
- 微调基于xLSTM的UNet模型以捕捉空间和顺序瘤特征.
- 在各种HNC案例中对自动细分的模型进行了评估.
主要成果:
- 在RT前的细分市场中,获得了0.81的平均汇总子系数.
- 在中期RT领域实现了0.65的平均汇总子系数.
- 在最先进的深度学习模型中表现出显著的改进.
结论:
- 拟议的两阶段模型为自动化HNTS提供了强大的和可通用的解决方案.
- 这一进步增强了对HNC患者的MRI引导的适应性RT规划.
- 这项工作有助于提高HNC治疗的护理质量.
