用水凝间隔器和没有水凝间隔器进行前列腺自我分割的深度无监督集群
Hengrui Zhao1, Biling Wang1, Michael Dohopolski1
1Medical Artificial Intelligence and Automation (MAIA) Laboratory and Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX, U.S.A.
Machine learning: science and technology
|October 13, 2025
概括
深度学习模型在异质的临床数据中扎. 本研究介绍了CLIP-UNet,这是一种以文本为导向的细分模型,使用集群来提高前列腺癌放射治疗自细分的准确性.
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:
- 深度学习 (DL) 模型的临床数据集往往是异质的.
- 在前列腺癌放射治疗中使用的水凝间隔器改变了CT外观,降低了自我细分的准确性.
研究的目的:
- 为解决前列腺癌放射治疗临床数据集的异质性.
- 通过使用新的集群和文本导向细分方法来提高自动细分的准确性.
主要方法:
- 收集了909名带有和没有水凝间隔器的患者的临床数据集.
- 使用统一的多重近似和投影 (UMAP) 进行维度缩小和k-means集群.
- 开发了CLIP-UNet,这是一个以文本为导向的细分模型,编码集群信息以改进细分.
主要成果:
- 在数据集中,UMAP确定了多达三个不同的集群.
- CLIP-UNet获得了86.2%的子得分,超过了基线UNet (84.4%).
- 与其他最先进的模型相比,CLIP-UNet表现出卓越的性能.
结论:
- 深度学习辅助的自动聚类可以揭示临床数据集中隐藏的数据结构.
- 在前列腺癌放射治疗中,CLIP-UNet有效地利用集群标签来实现更高的细分性能.
