基于多阶段学习的大型卷积神经网络用于妇科近距离放疗临床靶区与多器官分割
计算机视觉与模式识别
2025-06-03 v1
摘要
目的：临床靶区（CTV）和危及器官的准确分割对于优化妇科近距离放疗（GYN-BT）治疗计划至关重要。然而，解剖变异性、CT成像中较低的软组织对比度以及有限的标注数据集带来了重大挑战。本研究提出了 GynBTNet，一种新颖的多阶段学习框架，旨在通过自监督预训练和分层微调策略来增强分割性能。方法：GynBTNet 采用三阶段训练策略：(1) 使用稀疏子流形卷积在大规模 CT 数据集上进行自监督预训练，以捕获鲁棒的解剖特征表示；(2) 在全面的多器官分割数据集上进行监督微调，以优化特征提取；(3) 在专用的 GYN-BT 数据集上进行特定任务微调，以优化临床应用中的分割性能。使用 Dice 相似系数（DSC）、第95百分位 Hausdorff 距离（HD95）和平均表面距离（ASD），将该模型与最先进的方法进行了评估。结果：我们的 GynBTNet 取得了优异的分割性能，显著优于 nnU-Net 和 Swin-UNETR。值得注意的是，它为 CTV 取得了 0.837 +/- 0.068 的 DSC，为膀胱取得了 0.940 +/- 0.052 的 DSC，为直肠取得了 0.842 +/- 0.070 的 DSC，为子宫取得了 0.871 +/- 0.047 的 DSC，并且与基线模型相比降低了 HD95 和 ASD。自监督预训练带来了持续的性能提升，特别是对于具有复杂边界的结构。然而，乙状结肠的分割仍然具有挑战性，这可能是由于解剖模糊性和患者间的变异性所致。统计学显著性分析证实，GynBTNet 相比基线模型有显著改善。
引用
@article{arxiv.2506.01073,
title = {A Large Convolutional Neural Network for Clinical Target and Multi-organ Segmentation in Gynecologic Brachytherapy with Multi-stage Learning},
author = {Mingzhe Hu and Yuan Gao and Yuheng Li and Ricahrd LJ Qiu and Chih-Wei Chang and Keyur D. Shah and Priyanka Kapoor and Beth Bradshaw and Yuan Shao and Justin Roper and Jill Remick and Zhen Tian and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2506.01073},
year = {2025}
}