碎形驱动的自我监督学习增强早期肺癌GTV细分:一种新的转移学习框架
Ryota Tozuka1,2, Noriyuki Kadoya3, Arata Yasunaga4
1Department of Radiation Oncology, Tohoku University Graduate School of Medicine, Sendai, Japan.
Japanese journal of radiology
|September 15, 2025
概括
与自然图像预训练相比,使用碎形图像预训练的深度学习模型在早期肺癌总瘤体积 (GTV) 细分方面取得了更高的准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 总瘤体积 (GTV) 的准确细分对于早期肺癌的放射治疗计划至关重要.
- 传统的细分方法可能会耗费大量时间,并且会受到观察者之间的变化.
- 深度学习为自动化和高效的GTV细分提供了一个有希望的途径.
研究的目的:
- 开发和评估一种新的深度学习策略,用于自动化早期肺癌GTV细分.
- 研究预训练深度学习模型的有效性,使用数学生成的碎形图像与自然图像对比.
- 评估GTV复杂性对细分精度的影响.
主要方法:
- 对104名患有早期非小细胞肺癌,接受放射治疗的患者进行了回顾性研究.
- 使用卷积神经网络和视觉转换器 (ViT) 编码器,预先训练了四种策略:从头开始,ImageNet-1K,FractalDB-1K和FractalDB-10K.
- 使用体积子相似系数 (vDSC),表面子相似系数 (sDSC) 和第95百分点豪斯多夫距离 (HD95) 评估模型准确性.
主要成果:
- 使用FractalDB-10K的预训练显示了ViT模型所有评估指标的最佳细分精度.
- 使用FractalDB-10K进行预训练的ViT模型实现了0.800 ± 0.079.0的vDSC.
- 分形预训练显示了与ImageNet预训练相似或更高的准确性,特别是在复杂的GTV形状上.
结论:
- 使用碎形图像数据集预训练深度学习模型可以在早期肺癌GTV细分中实现高精度.
- 这种方法为自然图像预训练提供了可行的替代方案,有可能提高自动细分效率和准确性.
- 这些发现表明,基于碎形的预训练是医疗图像分析任务的有希望的策略.
