MDA-TransUNet:一种基于深度学习的自动细分方法,用于宫癌支臂治疗
Dezheng Cao1,2,3,4, Jianhua Jin5, Jihua Han6
1Department of Radiotherapy, The Second People's Hospital of Changzhou, the Third Affiliated Hospital of Nanjing Medical University, Changzhou, China.
Technology in cancer research & treatment
|December 5, 2025
概括
一个新的MDA-TransUNet模型准确地对子宫癌基治疗的风险器官和高风险临床目标体积进行细分. 这种人工智能驱动的方法提高了速度和精度,这对于有效的辐射治疗计划至关重要.
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:
- 高危临床目标体积 (HR-CTV) 和有风险的器官 (OAR) 的准确细分对于有效的宫癌支臂疗法至关重要.
- 目前的手动划分方法耗时,并且由于器官移位和急剧剂量梯度,容易出现错误.
研究的目的:
- 介绍和评估MDA-TransUnet,一种新的CNN-Transformer混合模型,用于在宫癌中快速精确地对HR-CTV和OAR进行细分.
- 与现有方法相比,评估拟议模型的细分精度和剂量计影响.
主要方法:
- MDA-TransUnet被应用于三个中心的122名宫癌支臂治疗患者的CT图像.
- 用子相似系数 (DSC),豪斯多夫距离 (HD95) 和平均表面距离 (ASD) 评估了细分性能.
- 对剂量测量差异进行了分析,使用对联t测试对D2cc和D90%等关键指标进行了分析.
主要成果:
- MDA-TransUnet表现出优异的细分性能,在膀 (94.54%),小肠 (88.90%) 和HR-CTV (82.35%) 获得了高的DSC值.
- 在MDA-TransUnet和参考细分之间没有观察到显著的剂量测量差异.
- OAR剂量差异 (D2cc) 的平均值为<12%,HR-CTV差异 (Dmean,D90%) 的平均值分别为<8%和<11%.
结论:
- MDA-TransUnet提供了一种优越而强大的解决方案,用于在子宫癌支臂治疗中对OAR和HR-CTV进行细分.
- 该模型的快速和准确的细分能力可以优化治疗计划,并可能改善患者的治疗结果.
- 多中心验证证实了该模型在临床环境中的通用性和可靠性.
