放射治疗中器官风险区划的质量保证
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
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
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
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
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
深度学习在腹部多器官分割方面取得了巨大的进展,但在边缘情况和复杂器官上的鲁棒性仍然是一个具有挑战性的问题。为了调查模型的鲁棒性,我们收集并注释了 RAOS 数据集,包括 413 名患者的 413 个 CT 扫描,涵盖了诊断 / 放疗、部分切除和完全切除三个临床组。该数据集可以作为评估模型鲁棒性的潜在基准,并提供了一些在公共数据集中很难获取的器官。我们对几种最先进的方法在这三个临床组中进行了基准测试,评估了性能和鲁棒性,并评估了 RAOS 与三个公共数据集之间的交叉泛化能力。该数据集和综合分析为未来鲁棒性研究提供了一个潜在的基准。
Jun, 2024
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
本研究中,我们评估了 SAM 模型在临床放射治疗中的表现。SAM 在前列腺和肺区域的自动分割表现较好,而在胃肠和头颈区域的表现相对较差。然而,这些结果表明 SAM 对于使用单个训练模型完成四个区域的器官边界识别具有鲁棒的泛化能力。
Jun, 2023
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