基于 PocketNet 的子宫肌瘤分层
计算机视觉与模式识别
2025-02-14 v3 人工智能
机器学习
摘要
子宫胚质癌症是全球女性第四常见的恶性肿瘤。顺应性放疗(Concurrent chemoradiotherapy, CRT)是局部晚期子宫肌瘤的主要根治治疗方案，包括外部斜坡放疗和局部放疗。放疗计划中的关键环节是对准 tumor 以及相关生殖解剖学结构和相邻风险器官(Organs at Risk, OARs)进行常规描绘。然而，这些结构的手动描绘既耗时又费力，且存在已知的观察者间变异性，这可能影响治疗结果。虽然已develop出多种工具用于自动描绘 OARs 和高危临床肿瘤体积(High-risk clinical tumor volume, HR-CTV)，但使用常规 T2 加权磁共振成像(MRI)develop出的基于深度学习的肿瘤分层工具填补了临床对改善常规描绘两种解剖结构和子宫肌瘤方面质量和一致性的未met 需求。本 work 将 novel 深度学习模型(PocketNet)应用于 T2w MRI 上对子宫、阴道、子宫颈和肿瘤(s)进行分层。对 PocketNet 架构进行评估时采用五折交叉验证训练。PocketNet 在肿瘤分层方达到 DSC 超过 70%，在器官分层方达到 80%。在 The Cancer Imaging Archive(TCIA)上的公开数据集验证显示，模型达到 67.3% 的肿瘤分层 DSC 评分和 80.8% 的器官分层 DSC 评分。这些结果表明，PocketNet 对对比度协议的变异具有较强鲁棒性，能够可靠地对感兴趣的区域进行分层。
引用
@article{arxiv.2409.11456,
title = {Two Stage Segmentation of Cervical Tumors using PocketNet},
author = {Awj Twam and Adrian E. Celaya and Megan C. Jacobsen and Rachel Glenn and Peng Wei and Jia Sun and Ann Klopp and Aradhana M. Venkatesan and David Fuentes},
journal= {arXiv preprint arXiv:2409.11456},
year = {2025}
}