一个结合损失驱动的框架,用于自动化状腺细分在头部和部计算机断层扫描

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 放射治疗规划 放射治疗规划

背景情况:

• 精确的腺细分对于放射治疗计划至关重要,以尽量减少辐射毒性.
• 现有的细分方法经常与解剖学准确性和阶级不平衡作斗争.
• 深度学习为自动化和精确的医疗图像细分提供了一个有希望的途径.

研究的目的:

• 开发和评估一个深度学习框架,用于自动腺细分.
• 研究3D U-Net和注意力增强3D U-Net架构的有效性.
• 评估一种新的组合损失函数,将修改的子得分系数 (mDSC) 和焦点损失 (FL) 整合起来,以改善细分.

主要方法:

• 使用了379个无对比头部CT扫描数据集与专家验证的轮.
• 使用TensorFlow实现了剩余的3D U-Net和注意力增强的3D U-Net模型.
• 用组合损失函数 (0.7 mDSC,0.3 FL) 训练网络,并使用 DSC,IoU 和精度进行评估.

主要成果:

• 带有组合损失的3D U-Net获得了0.8835 (左) 和0.8709 (右) 的子中位数.
• 平均IOU值为0.7672 (左) 和0.7358 (右),表明了强的细分表现.
• 布兰德-阿尔特曼分析证实变化减少和协议改善,证明了稳定性.

结论:

• 综合损失函数显著提高了3D U-Net细分性能,稳定性和空间精度.
• 拟议的框架证明了自动化和可重复的状腺划界的临床可行性.
• 这种深度学习方法有可能优化放射治疗的规划并减少副作用.