从未标记的CT卷中学习解剖学:改善前列腺放射治疗细分的自我监督框架
Diyana Afrina Hizam1, Ngie Min Ung1, Marniza Saad1
1Department of Clinical Oncology, Faculty of Medicine, Universiti Malaya, Kuala Lumpur, Malaysia.
Medical physics
|February 19, 2026
概括
使用切片预测进行自我监督学习可以提高前列腺癌放射治疗细分精度,特别是在数据有限的情况下. 这种无标签的预训练增强了深度学习模型,以更好地轮像前列腺和精液囊泡这样的器官.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能在医学中的应用
背景情况:
- 精确的基于CT的结构细分对于前列腺癌放射治疗至关重要.
- 像前列腺,精液囊 (SV) 和阴茎球 (PB) 等器官的手动轮是耗时和可变的.
- 深度学习模型需要大型标记数据集,这些数据集在临床实践中往往很少.
研究的目的:
- 评估自主监督 (无标签) 的切片预测预训能否提高细分性能,特别是在有限的注释数据下.
- 评估自主监督预训对CT图像中骨盆结构细分的准确性的影响.
主要方法:
- 用了322个盆腔CT卷用于训练和测试.
- 通过使用切片预测任务在未标记的数据上预先训练了一个轻量级的2D U-Net编码器.
- 用完整或减少 (60名患者) 的标记数据集微调了多类细分模型.
- 使用平均距离协议 (MDA) 和子相似系数 (DSC) 评估细分精度.
主要成果:
- 自主监督的预训练在主要的骨盆结构中始终降低了MDA.
- 膀 (0.600毫米至0.547毫米),前列腺 (1.281毫米至1.183毫米) 和SV (1.175毫米至0.893毫米) 观察到显著的MDA减少.
- 即使在有限的注释数据 (60名患者) 中也注意到了改善.
结论:
- 通过切片预测进行自我监督的预训,有助于解剖学信息的特征学习.
- 这种方法在有限的数据条件下提高了细分的稳定性和准确性.
- 该方法在预训练期间没有标签,并且与轻量级架构兼容,适合资源有限的环境.
