Feb, 2024

基于深度学习的全骨髓和淋巴结照射计划目标体积自动分割

PDF
TL;DR该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。
radiotherapy deliverydeep learningptv segmentationtmli treatmentnnu-net framework
发现论文，激发创造
  • 使用 U-Net 算法在 CT 序列中分割进行全骨髓放疗的计划治疗区域

    本文介绍了一种基于深度学习的自动轮廓绘制方法，用于对人体进行放射治疗的规划。我们通过对 100 位 TMLI 患者的数据集进行模型训练并对结果进行评估，得到了非常有前途的结果，并有望帮助辐射肿瘤科医生更加高效地治疗更多的患者。

    Apr, 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

  • 放射肿瘤学中基于 LLM 的多模态靶体积勾画

    在放射治疗中，靶体积轮廓的划定被认为比正常器官分割任务更具挑战性，因为它需要利用图像和基于文本的临床信息。受到大型语言模型（LLMs）的最新进展的启发，可以促进文本信息和图像的融合，我们提出了一种新颖的 LLM 驱动的多模态人工智能，应用于放射治疗中具有挑战性的靶体积轮廓任务，并在乳腺癌放疗靶体积轮廓的背景下进行验证。通过外部验证和数据不足环境的使用，这对于实际应用非常有益，我们证明了所提出的模型相比传统的仅视觉 AI 模型具有明显改进的性能，特别是在具有鲁棒泛化性能和数据效率的方面。据我们所知，这是第一个将临床文本信息整合到放射肿瘤学的靶体积划定中的 LLM 驱动多模态 AI 模型。

    Nov, 2023

  • 一种用于弥漫大 B 细胞淋巴瘤的临床 PET 图像自动肿瘤检测和分割的级联深度网络

    这项研究开发了一个快速高效的三阶段级联深度学习模型，用于从 PET 图像中自动检测和分割 DLBCL 肿瘤，并验证了其可行性和准确性。

    Mar, 2024

  • 大型语言模型增强的强度调控放射治疗剂量体积直方图预测

    通过使用图像和大型语言模型（LLM）辅助的深度学习模型，本研究提出了一种将无结构图像转化为结构化图形的流程，并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图（DVH）。与放射治疗中广泛使用的 DL 模型相比，LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80％、76％和 41.0％的效果，并通过与临床医生的自然语言交互，实现了与治疗计划的无缝调整。

    Feb, 2024

  • 大型语言模型辅助放射治疗中的治疗目标体积自动划分

    在本研究中，我们提出了一种基于视觉语言模型的放射治疗靶体积自动分割网络 Radformer，该网络利用分层视觉变换器作为骨干架构，并通过大型语言模型从临床数据中提取文本信息丰富的特征。我们引入了一个视觉语言注意力模块 (VLAM) 来整合视觉和语言特征，以进行语言感知的视觉编码 (LAVE)。我们在包含 2985 名接受放射治疗的头颈癌患者的数据集上评估了 Radformer 的性能，利用 Dice 相似系数 (DSC)、交集并集比 (IOU) 和 95th percentile Hausdorff 距离 (HD95) 等指标定量评估了模型的性能。结果表明，Radformer 在分割性能上优于其他最先进的模型，验证了其在放射治疗实践中的潜力。

    Jul, 2024

  • 基于视觉变换器的 PET/CT 图像淋巴瘤分割的多模态特征融合网络

    本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

    Feb, 2024

  • 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

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • 深度神经网络在 PET / CT 图像中检测和量化淋巴瘤病变的全面评估与洞察

    本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

    Nov, 2023