医疗图像细分辅助临床输入通过语言编码器在深度学习框架的临床输入
Hengrui Zhao1, Biling Wang1, Deepkumar Mistry1
1Medical Artificial Intelligence and Automation (MAIA) Laboratory and Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Machine learning: science and technology
|October 13, 2025
概括
这项研究引入了一个深度学习框架,用于放射治疗中的自我细分. 它将临床文本数据与医疗图像集成在一起,显著提高了临床目标体积 (CTV) 和风险器官 (OAR) 划分的准确性.
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:
- 对瘤体积和有风险的器官 (OARs) 的准确自分离对于放射治疗规划至关重要.
- 由于基于图像的信息的局限性,当前的自动细分方法在临床目标体积 (CTV) 上扎.
研究的目的:
- 开发用于医疗图像细分的深度学习框架,集成文本临床信息.
- 在放射治疗治疗规划中提高CTV和OAR自细分的准确性.
主要方法:
- 一个基于变压器的文本编码器将临床数据转换为向量.
- 这些向量与图像特征集成,以增强细分.
- 该框架使用前列腺细分来评估局部前列腺癌放射治疗的框架.
主要成果:
- 拟议的方法显著优于基线和最先进的方法.
- 临床背景的整合显著影响了划界准确性.
- 该框架表现出高性能,即使数据有限.
结论:
- 开发的细分框架大大提高了癌症放射治疗中CTV的自细分精度.
- 这种方法弥合了自动化方法和临床医生指导的细分之间的差距.
