3D nnU-Net与剩余编码器在2024年MICCAI头部和部瘤细分挑战中的应用
Kaiyuan Ji1, Zhihan Wu2, Jing Han2
1School of Communication and Electronic Engineering, East China Normal University, Shanghai, China.
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 26, 2025
概括
深度学习模型在辐射治疗规划中显示出对细分瘤和淋巴结的前景. 然而,性能因背景比率而异,需要进一步优化临床准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 瘤和淋巴结的自动细分对于准确的放射治疗计划至关重要.
- 深度学习模型提供了提高细分精度和效率的潜力.
- 在使用MRI数据对主要瘤体积 (GTVp) 和转移性淋巴结 (GTVn) 等复杂结构进行细分方面仍然存在挑战.
研究的目的:
- 评估3DnnU-Net模型在头癌中对GTVp和GTVn进行自动细分的性能.
- 调查背景比对细分精度的影响.
- 确定模型优化的领域,以提高临床适用性.
主要方法:
- 利用3DnnU-Net模型对2024年MICCAI头部和部瘤细分挑战的MRI数据进行自动瘤细分.
- 进行了不同背景比率的实验,并在选定的数据上重新训练模型.
- 通过使用子相似系数 (DSCagg) 评分来评估细分性能.
主要成果:
- 3DnnU-Net模型在具有低背景比率的数据上表现良好.
- 高背景比率的细分精度较低,表明需要进一步优化.
- 与GTVp (DSCagg 0.6381) 相比,该模型在细分GTVn (DSCagg 0.8064) 中取得了更高的准确性.
结论:
- 深度学习,特别是3DnnU-Net模型,在放射治疗中显示了自动瘤和淋巴结细分的潜力.
- 模型性能对背景复杂性敏感,需要有针对性的数据选择和再培训.
- 需要进一步的研究来优化网络架构和改善GTVp细分,以提高临床可靠性.
