医疗2D图像的总瘤体积分段-任何模型,集成总瘤体积-最小特征集成技术,用于肺癌细分

科学领域:

• 医学成像分析分析 医学成像分析
• 放射治疗规划 放射治疗规划
• 人工智能在瘤学中的应用

背景情况:

• 在CT上精确细分肺癌总瘤体积 (GTV) 对放射治疗至关重要.
• 挑战包括低瘤组织对比度,小目标大小和瘤内异质性.
• 现有的方法在精确的GTV划分方面扎.

研究的目的:

• 开发和验证用于CT扫描的自动化GTV细分方法.
• 为了提高GTV细分的准确性,稳定性和临床效率.
• 专门应对小,低对比度和异质肺瘤所带来的挑战.

主要方法:

• 拟议的GTV-SAMGAN,将SAM-Med2D与GTV-最小功能集成技术 (GTV-MFIT) 模块集成在一起.
• 采用基于生成对抗网络 (GAN) 的培训计划.
• 评估了当地临床和公共NSCLC-Radiomics数据集的性能,与SAM-Med2D和SwinU-Net.Net进行比较.

主要成果:

• 在本地数据集上,GTV-SAMGAN实现了卓越的性能 (分数:83.74%,灵敏度:84.28%,特异性:99.98%).
• 与SwinU-Net和SAM-Med2D相比,在两个数据集上显著提高了Dice系数和灵敏度.
• 在NSCLC-Radiomics数据集上表现出显著的改进 (Dice: 82.92%,灵敏度: 82.25%).

结论:

• GTV-SAMGAN有效地提高了肺癌GTV细分精度和效率.
• 整合SAM-Med2D,GTV-MFIT和GAN培训是提高其性能的关键.
• 这种方法有望提高肺癌患者放射治疗规划的精度和效率.