相关实验视频
Updated: Sep 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
493
大规模的卷积神经网络用于临床目标和多器官细分在妇科手腕疗法通过多阶段的学习通过多阶段的学习
Mingzhe Hu1,2, Yuan Gao1, Yuheng Li1,3
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, Georgia, USA.
Medical physics
|August 16, 2025
概括
通过使用一种新的多阶段学习框架,GynBTNet显著提高了妇科骨干治疗的细分精度. 这种AI方法增强了高风险临床目标体积 (HRCTV) 和风险器官 (OAR) 的划分,可能改善患者的治疗结果.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 高风险临床目标体积 (HRCTV) 和风险器官 (OAR) 的准确细分对于妇科支臂治疗至关重要.
- 在这个领域中,CT图像细分面临着由于解剖学变异性,软组织对比度低,注释数据有限的挑战.
- 基于CT的妇科手臂疗法细分在当前的基准研究中表现不足.
研究的目的:
- 引入GynBTNet,这是一个多阶段的学习框架,旨在增强妇科手腕治疗中HRCTV和OAR的细分.
- 利用大规模的自我监督预训和渐进的微调来改善解剖学表示学习.
- 为了应对有限的训练数据和复杂的解剖学变异性在妇科手臂治疗细分的挑战.
主要方法:
- 一个三阶段的培训策略:在大型CT数据集上进行自我监督的预训,在多器官数据上进行监督的微调,以及在妇科手腕治疗数据上进行任务特定的微调.
- 在预训练期间利用稀疏的亚多元卷积来进行强大的解剖学表示学习.
- 评估了GynBTNet与最先进的方法 (nnU-Net,Swin-UNETR) 相比,使用子相似系数 (DSC),HD95%和ASD,并进行了严格的统计分析.
主要成果:
- 在大多数结构中,GynBTNet表现优于nnU-Net,并且与Swin-UNETR相比,表现良好.
- 在HRCTV细分 (DSC 0.837 ± 0.068) 中观察到显著改善,效果大小较大.
- GynBTNet还显示了膀 (DSC 0.940 ± 0.052),直肠 (DSC 0.842 ± 0.070) 和子宫细分精度的显著增长.
结论:
- 多阶段的学习策略,结合自我监督的预训和渐进的微调,有效地提高了妇科手腕治疗中的细分精度.
- 由于GynBTNet对HRCTV和OAR进行了改进,因此有可能提高治疗计划的准确性.
- 增强的细分精度可以使关键结构的辐射暴露降至最低,并改善患者的治疗结果.
