适应预测肝切除区域的几何深度学习
Joy Rakshit1, Robert Kreher2, Tobias Huber3
1Institute for Medical Informatics and Statistics, University Hospital Schleswig-Holstein, Kiel, Germany.
Computers in biology and medicine
|September 26, 2025
概括
几何深度学习 (DL) 有效地预测癌症手术肝脏切除区域. 一种新的DL模型RandLA-Net通过分析3D解剖数据来提高手术规划的准确性和效率.
科学领域:
- 医疗成像医学成像
- 在外科手术中使用人工智能
- 计算解剖学的计算解剖学
背景情况:
- 由于患者特定的解剖学和关键结构,肝癌切除计划是复杂的.
- 目前的规划依赖于心理评估或3D模型,其精度和效率受到限制.
- 精确预测切除区域对于尽量减少术后并发症至关重要.
研究的目的:
- 为了研究几何深度学习 (DL) 对预测肝切除区域的有效性.
- 评估RandLA-Net的性能,DL框架,用于手术规划的3D肝脏数据的语义细分.
- 确定最佳的DL模型和损失函数,以准确预测切除体积.
主要方法:
- 利用RandLA-Net,一个用于大规模3D点云语义细分的几何DL模型.
- 在试点研究中试验了两个DL模型和四个损失函数 (交叉,子,IoU,混合CE-IoU).
- 通过使用表现最佳的配置 (RandLA-Net与混合损失) 进行了扩展研究,增加了数据集.
主要成果:
- 与混合损失函数相结合的RandLA-Net在预测切除量方面表现出卓越的性能.
- 这项扩展研究实现了0.76.7的欧盟 (IoU) 的平均交叉点.
- 最好的配置得出F1得分为0.84,精度为0.86,回忆率为0.82.
结论:
- 几何深度学习,特别是RandLA-Net,在提高肝切除计划方面显示出显著的前景.
- 开发的DL框架提供了一种高效和准确的方法,用于从3D解剖数据中预测切除区域.
- 这种方法有潜力通过支持精确的手术前规划来改善手术结果.
