改善直肠瘤细分与异常融合源于解剖 inpainting:一个多中心研究
Lishan Cai1,2, Mohamed A Abdelatty1,3, Luyi Han1,4
1Department of Radiology, Netherlands Cancer Institute, Amsterdam, The Netherlands.
Scientific reports
|January 13, 2026
概括
深度学习模型通过使用解剖学 inpainting 的异常地图来改善直肠瘤细分. 这种新的方法,AAnnUNet,在一个大型的多中心数据集上取得了最佳结果,提高了治疗规划的准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 在MRI上精确的直肠瘤细分对于治疗计划和预后至关重要.
- 手动细分是耗时和劳动密集型的,突出了对自动化方法的需求.
- 现有的深度学习模型往往没有考虑直肠解剖学和强大的外部验证.
研究的目的:
- 通过结合解剖学信息,通过使用深度学习来增强自动直肠瘤细分.
- 开发和评估一种新的方法 (AAnnUNet),该方法利用从解剖学绘画中获得的异常地图.
- 在一个大型的多中心数据集上对拟议方法的性能与已建立的模型进行比较.
主要方法:
- 使用U-Net模型进行解剖绘图,从T2加权的MRI中重建健康的直肠和中直肠.
- 通过比较原始和重建图像,生成直肠异常地图.
- 将异常图集成为深度学习模型 (AAnnUNet) 中的额外输入通道,用于瘤细分.
- 在705名患者的多中心数据集上对AAnnUNet与基线模型 (nnUNet,MTnnUNet,MCnnUNet) 进行基准测试.
主要成果:
- 拟议的AAnnUNet模型,包括异常图,与基线模型相比,实现了优越的直肠瘤细分性能.
- 在外部测试组中,nnUNet 作为表现最好的基线.
- 多目标nnUNet (MTnnUNet) 在完全监督和混合监督设置中比nnUNet表现得更好.
- 异常图显示出与瘤区域的强烈相关性,验证了它们的实用性.
结论:
- 从解剖学 inpainting 获得的异常地图对于提高直肠瘤细分精度是有效的.
- AAnnUNet的方法为强大而准确的直肠瘤自动细分提供了一个有希望的方向,特别是在多中心数据方面.
- 通过异常地图整合解剖学知识,可以提高医学图像细分中的深度学习模型性能.
