模态不可知图像级联 (MAGIC) 用于多模态心脏亚结构细分
Nicholas Summerfield1, Qisheng He2, Alex Kuo1
1Department of Human Oncology, University of Wisconsin-Madison, Madison, WI, USA; Department of Medical Physics, University of Wisconsin-Madison, Madison, WI, USA.
模态-不可知图像级联 (MAGIC) 管道有效地在多种成像方式中对心脏基结构进行细分,提高了放射治疗规划的准确性和效率. 这种深度学习方法减少了轮的负担,同时保持了高的细分质量.
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:
- 在治疗规划期间,对心脏基结构的划定对于尽量减少辐射引起的心脏病至关重要.
- 深度学习模型为自动化轮提供了潜力,但通常缺乏跨不同成像模式和重叠结构的概括性.
研究的目的:
- 引入和验证Modality-AGnostic图像级联 (MAGIC) 深度学习管道,用于全面的多模式心脏亚结构细分.
- 评估MAGIC在对各种成像方式的二十个心脏亚结构进行细分方面的表现.
主要方法:
- MAGIC管道使用nnU-Net骨干的复制编码和解码分支来处理多模式输入和处理重叠的标签.
- 该模型是从多模式全心细分 (MMWHS) 数据集的半监督数据集 (n=151) 中训练的,包括心脏CT血管学 (CCTA) 和MR模式.
- 性能使用子相似系数 (DSC) 进行评估,并与14个单一模式基线模型进行比较.
主要成果:
- MAGIC获得了高平均MMWHS DSC分数 (0.88 ± 0.08为CCTA,0.87 ± 0.04为MR),表现优于单模基线.
- 平均20个结构的DSC分数因模式而异,CCTA产生了最高的整体性能 (0.80 ± 0.16).
- 与基线模型相比,管道显示训练时间 (>80%) 和参数 (>70%) 显著减少.
结论:
- MAGIC提供了一种高效,轻量级的解决方案,用于在单个模型中跨多种成像模式和重叠结构的心脏亚结构进行细分.
- 该管道在不影响性能的情况下实现了高分段精度,为放射治疗规划提供了宝贵的工具.
- 跨模式的MAGIC的概括性解决了医疗图像细分中的当前深度学习方法的关键局限性.
更多相关视频
07:13Author Spotlight: An Efficient and Robust Software for Automated Fusion of Multiple Preclinical Imaging Modalities
Published on: October 27, 2023
12:54Simultaneous Brightfield, Fluorescence, and Optical Coherence Tomographic Imaging of Contracting Cardiac Trabeculae Ex Vivo
Published on: October 2, 2021
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System IV: CMRI
Imaging Studies VII: Vascular Imaging
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
