May, 2024

CT 和 MRI 扫描中头颈癌患者风险器官的自动分割

PDF
TL;DR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。
deep learningsegmentationoarsctmri
发现论文，激发创造
  • 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

  • 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

  • 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

  • AnatomyNet：用于快速全自动头颈部解剖结构体积分割的深度学习

    利用深度学习模型 - AnatomyNet 可以自动分割头颈部 CT 图像中的 OARs，该模型的 3 个核心特点包括全容积编码方式、编码层中的 3D squeeze-and-excitation 剩余块、以及基于 Dice 分数和 focal loss 的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice 相似系数增加了 3.3%），同时可在 0.12 秒内处理完整个头颈部 CT 图像，并且无需或很少需要前 / 后处理步骤。

    Aug, 2018

  • 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

  • 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

    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。

    Dec, 2023

  • 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

  • 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

  • 使用距离度量自动识别器官风险分割中的失败案例：对 CT 数据的研究

    该研究提出了一种通过设定 Dice 距离和 Hausdorff 距离的阈值来自动识别失败案例的方法，以减少手动检查预测输出的耗时任务，从而更快地识别失败案例候选人。该方法在临床专家策划的数据集中的 20 个不同器官的 CT 图像上进行了评估，可以区分不同状态的失败案例，并进行了超过 12 个案例的可视评估。该阈值方法可以扩展到其他器官，从而更快地识别失败案例，提高放射治疗计划的质量。

    Aug, 2023

  • MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割

    提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

    May, 2024