交互式3D细分用于口腔喉癌中初级总瘤体积的3D细分
Mikko Saukkoriipi1, Jaakko Sahlsten1, Joel Jaskari1
1Department of Computer Science, Aalto University School of Science, Espoo, Finland.
Scientific reports
|August 6, 2025
概括
精确的口腔癌 (OPC) 瘤细分对于放射治疗至关重要. 一个新的交互式深度学习框架 (2S-ICR) 显著提高了总瘤体积划分的准确性,优于现有的方法.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 在口腔大癌 (OPC) 中,准确的瘤总体积 (GTVt) 分段对于有效的放射治疗至关重要.
- 手动GTVt划分是耗时的,容易引起观察者之间的变化.
- 深度学习 (DL) 提供了自动化,高性能细分的潜力,与用户引导的改进.
研究的目的:
- 开发和评估一种新的交互式深度学习框架,用于OPC.t中的GTVt细分.
- 评估拟议框架的性能,包括和不包括用户交互.
- 将交互式DL方法与现有的细分方法进行比较.
主要方法:
- 引入一个两阶段的交互式点击改进 (2S-ICR) 框架.
- 实施最先进的深度学习算法进行细分.
- 开发数据集:2021年头部瘤 (HECKTOR) 数据集. 评估数据集:德克萨斯大学MD安德森癌症中心外部数据集.
主要成果:
- 在没有用户交互的情况下,2S-ICR框架实现了0.722 ± 0.142的子相似系数 (DSC).
- 经过10次用户互动,DSC显著改善至0.858±0.050.
- 拟议的交互式DL方法与现有方法相比,显示出更高的性能.
结论:
- 2S-ICR框架提供了一种有效的交互式深度学习解决方案,用于OPC中的GTVt细分.
- 交互式DL提高了细分精度,解决了手动划分的挑战.
- 这种方法有望改善放射治疗规划和OPC患者的治疗结果.
