Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2411.00594

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2411.00594 (eess)
[提交于 2024年11月1日 ]

标题: 基于深度学习的儿童上腹部放疗器官/危及结构自动勾画

标题: Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy

Authors:Mianyong Ding, Matteo Maspero, Annemieke S Littooij, Martine van Grotel, Raquel Davila Fajardo, Max M van Noesel, Marry M van den Heuvel-Eibrink, Geert O Janssens
摘要: 目的:本研究旨在开发一种基于计算机断层扫描(CT)的多器官分割模型,用于描绘儿童上腹部肿瘤的风险器官(OAR),并评估其在多个数据集上的鲁棒性。 材料与方法:使用了来自患有肾肿瘤和神经母细胞瘤的儿童患者的内部术后CT图像(n=189)以及一个公开数据集(n=189),该数据集包含覆盖胸腹区域的CT图像。总共勾画了17个OAR:其中9个由临床医生勾画(类型1),另外8个使用TotalSegmentator勾画(类型2)。自动分割模型分别用内部数据集(ModelPMC-UMCU)和包含公共数据的组合数据集(Model-Combined)进行了训练。性能通过Dice相似性系数(DSC)、95%豪斯多夫距离(HD95)和平均表面距离(MSD)来评估。两名临床医生根据Likert量表对15个患者轮廓的临床可接受性进行了评分。模型的鲁棒性针对性别、年龄、静脉对比剂和肿瘤类型进行了评估。 结果: Model-PMC-UMCU对于9个OAR中的5个达到了超过0.95的平均DSC值,而脾脏和心脏的DSC值在0.90到0.95之间。胃肠道和胰腺的DSC值低于0.90。Model-Combined在两个数据集上都表现出更好的鲁棒性。临床评估显示良好的可用性,两位临床医生对9个类型1 OAR中的6个评分高于4分,对8个类型2 OAR中的6个评分高于3分。仅在两个数据集中不同年龄段之间的左肺和胰腺发现了显著的性能差异。0-2岁年龄组表现最差。 结论:开发了一种多器官分割模型,在联合数据集上训练时表现出增强的鲁棒性。该模型适用于各种OAR,并可在临床环境中应用于多个数据集。
摘要: Purposes: This study aimed to develop a computed tomography (CT)-based multi-organ segmentation model for delineating organs-at-risk (OARs) in pediatric upper abdominal tumors and evaluate its robustness across multiple datasets. Materials and methods: In-house postoperative CTs from pediatric patients with renal tumors and neuroblastoma (n=189) and a public dataset (n=189) with CTs covering thoracoabdominal regions were used. Seventeen OARs were delineated: nine by clinicians (Type 1) and eight using TotalSegmentator (Type 2). Auto-segmentation models were trained using in-house (ModelPMC-UMCU) and a combined dataset of public data (Model-Combined). Performance was assessed with Dice Similarity Coefficient (DSC), 95% Hausdorff Distance (HD95), and mean surface distance (MSD). Two clinicians rated clinical acceptability on a 5-point Likert scale across 15 patient contours. Model robustness was evaluated against sex, age, intravenous contrast, and tumor type. Results: Model-PMC-UMCU achieved mean DSC values above 0.95 for five of nine OARs, while spleen and heart ranged between 0.90 and 0.95. The stomach-bowel and pancreas exhibited DSC values below 0.90. Model-Combined demonstrated improved robustness across both datasets. Clinical evaluation revealed good usability, with both clinicians rating six of nine Type 1 OARs above four and six of eight Type 2 OARs above three. Significant performance 2 differences were only found across age groups in both datasets, specifically in the left lung and pancreas. The 0-2 age group showed the lowest performance. Conclusion: A multi-organ segmentation model was developed, showcasing enhanced robustness when trained on combined datasets. This model is suitable for various OARs and can be applied to multiple datasets in clinical settings.
评论: 23页,5幅图,1个表格。投稿至《放射治疗与肿瘤学》(2024-11-01)
主题: 图像与视频处理 (eess.IV) ; 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV); 医学物理 (physics.med-ph)
引用方式: arXiv:2411.00594 [eess.IV]
  (或者 arXiv:2411.00594v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2411.00594
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Matteo Maspero [查看电子邮件]
[v1] 星期五, 2024 年 11 月 1 日 13:54:31 UTC (1,611 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-11
切换浏览方式为:
cs
cs.AI
cs.CV
eess
physics
physics.med-ph

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号