换一批深度学习下儿童髓母细胞瘤放疗脑及椎骨亚结构自动分割算法研究
Deep Learning-Based Automated Segmentation Algorithms of Brain and Vertebral Substructures for Radiotherapy in Pediatric Medulloblastoma
摘要为评估nnU-Net和FuseNet模型在儿童髓母细胞瘤亚结构自动分割中的应用可行性,该文回顾性分析60例接受放疗的患儿,以5岁为界分为两组(≤5岁组和＞5岁组),基于CT-MRI融合图像勾画脑亚结构,基于CT图像勾画椎骨亚结构,训练U-Net、nnU-Net和FuseNet 3种卷积神经网络模型并评估结果,每组设训练集24例,测试与验证集6例,另经20例外部独立队列验证泛化性.比较3种模型与图谱库(Atlas)法的DSC,评估nnU-Net和FuseNet的HD95、RAVD等几何指标及人工修正耗时.结果显示,FuseNet在脑亚结构分割中表现最优,在两组椎骨亚结构分割上均优于Atlas、U-Net(P=0.028、0.005 和P=0.005、0.005),与nnU-Net无显著差异(P=0.107、0.236).在≤5岁组中,FuseNet除小脑前叶和海马外,在>5岁组中除海马外,其余亚结构DSC均值均>0.8,且两年龄组人工修正耗时均最短.结论表明,nnU-Net可实现较好分割,FuseNet通过多模态特征动态融合提升脑亚结构分割精度,且修正效率最高.
更多相关知识
关键词
自动分割多模态卷积神经网络儿童放疗髓母细胞瘤亚结构automated segmentationmultimodal convolutional neural networkpediatric radiotherapymedulloblastomasubstructure
栏目名称
DOI
10.12455/j.issn.1671-7104.250219
发布时间
2026-03-20（万方平台首次上网日期，不代表论文的发表时间）
基金项目
上海市中西医结合学会医学工程专业委员会课题研究专项基金项目（YG202311）
- 浏览3
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
