鼻癌中初级瘤的自动细分使用正子发射断层扫描成像中的深度学习框架:一项比较研究
Meina Liang1, Chengmao Guo1, Haiwen Li2
1Department of Nuclear Medicine (PET-CT Center), Affiliated Hospital of Guangdong Medical University, Zhanjiang, China.
Quantitative imaging in medicine and surgery
|November 10, 2025
概括
评估了深度学习模型,以 PET 图像上对鼻癌 (NPC) 进行细分. Nn-Unet在准确地划定用于放射治疗计划的初级NPC病变方面表现出卓越的表现.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 鼻癌 (NPC) 需要精确的瘤总体积 (GTV) 划分,以获得有效的放射治疗.
- 手动GTV细分是耗时且容易变化的.
- 深度学习 (DL) 提供了来自PET图像的NPC病变自动精确细分的潜力.
研究的目的:
- 优化使用基于PET图像的DL细分来划分初级NPC放射治疗目标体积.
- 为了比较NPC损伤细分的不同DL模型的性能.
- 提高NPC病变划分的精度和效率,以改善患者的治疗结果.
主要方法:
- 追溯收集212名NPC患者的PET成像数据.
- 使用三个DL模型进行初级NPC病变的细分:Res-Unet,Nn-Unet和Nn-Former.
- 基于子相似系数 (DSC) 和豪斯多夫距离 (HD) 的性能评估.
主要成果:
- 在测试组中,Nn-Unet获得了最高的DSC (0.833),超过了Res-Unet (0.794) 和Nn-Former (约0.8).
- 在Hausdorff距离和平均表面距离指标上,Nn-Unet也表现出卓越的表现.
- 所有模型都显示了下降的损失曲线,表明NPC病变特征的成功学习.
结论:
- 开发的基于PET图像的DL细分模型,特别是Nn-Unet,显示了初级NPC病变细分的显著临床潜力.
- 使用Nn-Unet的自动细分可以提高NPC放射治疗规划的精度和效率.
- 这项技术可以帮助优化鼻癌的治疗策略和患者预后.
