在磁共振成像扫描中评估前列腺多个自动生成的细分变体的质量,以进行基疗法
Arkadiy Dushatskiy1, Peter A N Bosman1,2, Karel A Hinnen3
1Centrum Wiskunde & Informatica, Evolutionary Intelligence, Amsterdam, the Netherlands.
Physics and imaging in radiation oncology
|December 24, 2025
概括
一种用于前列腺MRI细分的新型深度学习方法,与经典方法相比,产生了优异的结果. 这种先进的细分技术通过为临床医生的偏好生成多个变体,提供了潜在的临床实用性.
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:
- 深度学习 (DL) 方法越来越多地用于医疗图像细分.
- 经典的DL细分产生一个单一的输出,这可能与临床需求不一致.
- 一种新的DL方法产生了多个细分变体,以更好地反映手动细分的变化.
研究的目的:
- 评估一种新的基于DL的前列腺MRI细分方法.
- 评估其在支臂治疗中的潜在临床有用性.
- 为了比较其性能与经典的DL细分方法.
主要方法:
- 三位放射瘤学家回顾地对13名前列腺癌患者的细分进行了分级.
- 分段是使用新型DL方法,经典DL方法和手册引用生成的.
- 临床医生对细分生成方法视而不见,并根据偏好对细分进行排名.
主要成果:
- 新的DL方法在51%的切片中不需要手动校正,而经典DL方法则需要42%的切片.
- 通过新方法在6.6%的切片中产生了不可接受的细分,而使用经典DL方法则为8.3%.
- 来自新方法的细分被评为总体上更好.
结论:
- 基于深度学习的细分可以为前列腺核磁共振产生高质量的结果.
- 新的DL方法在专家评价中胜过了经典的DL方法.
- 这种方法显示了将其整合到临床支臂疗法工作流程中的希望.
