Dec, 2023

SegRap2023: 鼻咽癌放疗计划中危及器官和肿瘤体积分割的基准评估

PDF
TL;DR放疗是治疗鼻咽癌的主要有效策略，精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近，深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛，并分析了所有参与者的解决方案。
radiation therapynasopharyngeal carcinomaimage segmentationdeep learningbenchmark
发现论文，激发创造
  • 鼻咽癌放疗计划的肿瘤总体积和危及器官的完全自动分割

    使用完全自动的框架，开发了用于头颈部 CT 图像的目标分割的两个模型，成功在 SegRap 2023 挑战赛的验证阶段中取得了这两项任务的第二名。

    Oct, 2023

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • CT 和 MRI 扫描中头颈癌患者风险器官的自动分割

    该研究使用深度学习技术对头颈癌患者的 MRI 和 CT 扫描图像中的 30 种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。

    May, 2024

  • 放射治疗中器官风险区划的质量保证

    通过使用自动分割技术并引入一类分类器，该研究提出了一种可以高精度检测肿瘤器官轮廓错误的方法，能够显著降低医生对轮廓划定的负担。

    May, 2024

  • 通过不确定性校正的金字塔一致性，高效半监督鼻咽癌毛体积分割

    本文提出了一种基于 Uncertainty Rectified Pyramid Consistency (URPC) 正则化的半监督支持下的鼻咽癌（NPC）GTV 分割框架，通过在不同尺度上监督网络和利用未标记的图像实现了出色的分割性能。

    Dec, 2020

  • CT 影像中小体积的深度学习分割在放射治疗计划中的应用

    通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

    Apr, 2024

  • 用于胸部 CT 中多器官分割的二维扩张残差 U-Net

    本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

    May, 2019

  • 基于几何学习的放疗分割误差自动识别

    本研究提出了使用卷积神经网络和图神经网络相结合的新型架构，基于自我监督学习的方法，无需基准来自动识别三维器官风险分割中的错误，为放射治疗过程提供了离线质量保证工具，以便识别需要专注于的区域。

    Jun, 2022

  • 使用两路级联 3D 深度网络融合在 PET/CT 中准确分割食管肿瘤体积

    本文提出了一种利用 PET/CT 医学影像的深度学习处理方法，以提高食管癌治疗中的肿瘤分割精度，经 110 例食管癌患者验证，该方法较之前方法的 Dice 分数提高了 11％（从 0.654 到 0.764），并将 Hausdorff 距离从 129 毫米减少到 47 毫米。

    Sep, 2019

  • SegReg: 通过配准 MR 图像和 CT 注释分割 OARs

    SegReg 方法利用弹性对称标准化技术将 MRI 图像与 CT 图像进行配准，以实现器官处于危险区域的分割，通过结合 CT 的几何精确度和 MRI 的软组织对比度，使得精确自动的器官处于危险区域的分割成为可能。

    Nov, 2023