Xue, Xian2024年最新论文:基于深度学习的3D Prompt-nnUnet模型在子宫内膜癌术后近距离放射治疗中的自动分割
论论资讯 | 2024-04-29 |
55热度
Journal of Applied Clinical Medical Physics
Explore content
About the journal
Publish with us
A deep learning-based 3D Prompt-nnUnet model for automatic segmentation in brachytherapy of postoperative endometrial carcinoma
Xue Xian; Liang Dazhu; Wang Kaiyue; Gao Jianwei; Ding Jingjing; Zhou Fugen; Xu Juan; Liu Hefeng; Sun Quanfu; Jiang Ping; Tao Laiyuan; Shi Wenzhao; Cheng Jinsheng
Published:2024-04-29
DOI:10.1002/acm2.14371
研究背景
在医学领域,精准放疗对于治疗子宫内膜癌等疾病至关重要。然而,传统的手动分割方法存在时间长、主观性强、结果不一致等问题,急需一种自动分割技术来提高效率和准确性。
研究内容
一项新研究发表在《应用临床医学物理学杂志》上,介绍了一种基于深度学习的3D Prompt-nnUnet模型,用于在子宫内膜癌术后放疗中自动分割高危临床靶区(HR CTV)和风险器官(OAR)。研究通过结合基于提示的模型和3D nnUnet,实现了快速且一致的自动分割。
研究使用了321名子宫内膜癌患者的CT扫描进行HR CTV分割,以及125名患者的CT扫描进行OAR分割。研究采用了三折交叉验证和多个定量指标,包括Dice相似系数(DSC)、Hausdorff距离(HD)、Hausdorff距离的95分位数(HD95%)和交并比(IoU)等。
研究意义
研究结果表明,Prompt-nnUnet模型中的Label-Prompt参数表现出与经验丰富的放射肿瘤学家相似的准确性,并优于经验较少的医生。LP在测试阶段的平均DSC值为HR CTV、直肠和尿道分别为0.96、0.91和0.83。而平均HD值分别为2.73mm、8.18mm和2.11mm。该模型的分割时间短于2.35秒/结构,能够节省临床医生的时间。
结论
这项研究表明,Prompt-nnUnet架构,特别是LP参数,与HR CTV或OAR的自动分割结果高度一致,减少了观察者间的差异性,缩短了治疗时间,为放疗领域带来了重要的进展。
学术热榜
查看全部
相关资讯
换一批