SE-ATT-YOLO - 一个基于超声波的深度学习驱动的呼吸运动补偿系统,用于精密放射治疗
Chia-Chun Kuo1, Anoop Gopinathan Pillai2, Ai-Ho Liao3
1Department of Radiation Oncology, Taipei Medical University Hospital, Taipei, Taiwan; Department of Radiation Oncology, Wan Fang Hospital, Taipei Medical University, Taipei, Taiwan; School of Health Care Administration, College of Management, Taipei Medical University, Taipei, Taiwan.
一个新的深度学习算法,SE-ATT-YOLO,通过补偿呼吸运动来提高放射治疗的准确性. 这种非侵入性超声波系统可以改善瘤向性,并在治疗期间最大限度地减少对健康组织的损伤.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 瘤的放射治疗可以由于能量束的应用而损害健康组织.
- 在放射治疗期间,呼吸诱导的器官运动会导致瘤的显著移位,影响治疗的精度.
研究的目的:
- 为呼吸运动补偿系统 (RMCS) 开发基于超声波的非侵入性深度学习算法.
- 为了减轻呼吸运动在放射治疗期间对瘤运动的影响.
主要方法:
- 开发了一种修改后的YOLOv8n深度学习算法 (SE-ATT-YOLO),结合了挤压和激发块和注意力机制,以增强超声波图像检测.
- 该模型经过训练,并使用超声波数据推断了人体隔膜运动,由BoT-Sort追踪边界盒坐标来驱动RMCS.
主要成果:
- 在SE-ATT-YOLO模型实现了0.88的平均平均精度 (mAP),超过YOLOv8n (0.85).
- 该系统在各种呼吸模式 (例如,缓慢信号为1.667),以低根平均平方误差 (RMSE) 值表现出高准确度.
- 达到了大约50 FPS的推断速度,确保实时性能.
结论:
- 在稳定性,速度和准确性方面,SE-ATT-YOLO模型显著改进了以前的模型.
- 开发的算法优化了呼吸运动补偿系统 (RMCS) 的性能.
- 这种非侵入性方法提供了一个有希望的解决方案,通过解决呼吸运动来提高放射治疗的精度.
更多相关视频
08:54Treatment of Liver Metastases Using an Internal Target Volume Method for Stereotactic Body Radiotherapy
Published on: May 8, 2018
06:53Management of Respiratory Motion Artefacts in 18F-fluorodeoxyglucose Positron Emission Tomography using an Amplitude-Based Optimal Respiratory Gating Algorithm
Published on: July 23, 2020
