可解释和高性能多模式鼻癌GTV细分与临床先验引导3D-高斯式诱导扩散模型 (3DGS-PDM)
Jiarui Zhu1, Zongrui Ma1, Ge Ren1
1Department of Health Technology and Informatics, The Hong Kong Polytechnic University, Hong Kong SAR, China.
Cancers
|November 27, 2025
概括
这项研究引入了一种3D高斯式诱导扩散模型 (3DG-PDM),用于改善鼻癌 (NPC) 总瘤体积 (GTV) 细分. 这种新的方法增强了多式联络信息的整合,从而为放射治疗提供了更准确,更易于解释的GTV细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的总瘤体积 (GTV) 分段对于鼻癌 (NPC) 的图像导向放射治疗 (IGRT) 至关重要.
- 由于复杂的透和模两可的边界,NPC GTV的划分具有挑战性,通常需要多式成像 (CT和MRI).
- 现有的深度学习方法在准确的多式联运细分方面扎,这表明信息提取和集成存在问题.
研究的目的:
- 开发一个3D高斯式诱导的扩散模型 (3DG-PDM),用于在NPC中增强GTV细分.
- 改进信息提取和多式联通集成,以实现更精确的NPC GTV划分.
- 实现临床上可解释和准确的GTV细分,以改善NPC治疗.
主要方法:
- 提出了使用3D-Gaussian-Splatting进行CT,MRI-t2和MRI-t1-cefs的特征提取的3D高斯式诱导扩散模型 (3DG-PDM).
- 开发了一个由两个模块组成的模型:高斯初始化模块和扩散细分模块,用于逐步的瘤轮.
- 使用600名NPC患者 (480名培训,120名测试) 的数据集,并配对CT/MRI和GTV注释.
主要成果:
- 在初级GTV (GTVp) 中获得了84.29%的子相似系数 (DSC),在转移性GTV (GTVnd) 中达到79.25%.
- 报告的平均ASSD为GTVp的1.31毫米和GTVnd的1.19毫米,以及 HD95的4.76毫米.
- 在五种最先进的方法中表现出优越的性能,并通过废除研究证实了模型的解释性.
结论:
- 3DG-PDM为NPC中的多式联通GTV细分提供了一个高性能和可解释的解决方案.
- 这种方法显著提高了NPC GTV细分的精度,有助于改进放射治疗.
- 这项研究为推进NPC治疗规划中的精准医学提供了宝贵的工具.
