UMambaAdj: UMambaとnnU-Net ResEnc Plannerを用いたMRIガイド下放射線治療における頭頸部がんのGTVセグメンテーションの向上

[fulfulggg]

タイトル: UMambaAdj: UMambaとnnU-Net ResEnc Plannerを用いたMRIガイド下放射線治療における頭頸部がんのGTVセグメンテーションの向上

リンク: https://arxiv.org/abs/2410.12940

概要:

磁気共鳴画像法（MRI）は、優れた軟部組織コントラストにより、頭頸部癌（HNC）のMRIガイド下適応放射線療法において重要な役割を担っています。しかし、原発腫瘍（GTVp）とリンパ節（GTVn）の両方を含む肉眼腫瘍体積（GTV）を正確にセグメント化することは依然として困難です。近年、UMambaとnnU-Net Residual Encoder（ResEnc）という2つの深層学習セグメンテーションの革新が大きな期待を集めています。UMambaは長距離依存関係を効果的に捉え、ResEncは多段階残差ブロックによって特徴抽出を強化します。本研究では、これらの強みを組み合わせた「UMambaAdj」という新しいアプローチを提案します。提案手法を、治療前T2強調MRI画像を用いたHNTS-MRG 2024チャレンジテストセットで評価した結果、GTVpで0.751、GTVnで0.842のDice類似係数（DSCagg）を達成し、平均DSCaggは0.796でした。このアプローチは、MRIガイド下適応放射線療法におけるより正確な腫瘍描出の可能性を示しており、最終的にはHNC患者の治療成績の向上につながります。チーム: DCPT-Stine's group。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• medical-imaging
• image-segmentation
• deep-learning

[fulfulggg]

論文要約

UMambaAdj: UMambaとnnU-Net ResEnc Plannerを用いたMRIガイド下放射線治療における頭頸部がんのGTVセグメンテーションの向上

論文要約：

• 目的: 頭頸部がんの放射線治療において、MRI画像から腫瘍領域（GTV）をより正確に特定する技術を開発する。
• 課題: MRI画像から原発腫瘍（GTVp）とリンパ節転移（GTVn）を含むGTVを正確に区別することは難しい。
• 提案手法:
  • UMambaとnnU-Net ResEncという2つの深層学習技術を組み合わせた新しいセグメンテーション手法「UMambaAdj」を開発。
  • UMambaは画像内の長距離依存関係を捉えることに優れ、ResEncは多段階の残差ブロックを用いることで特徴抽出能力を高める。
• 結果:
  • HNTS-MRG 2024チャレンジテストセットを用いた評価で、UMambaAdjはGTVpで0.751、GTVnで0.842の高いDice類似係数（DSCagg）を達成。
  • 平均DSCaggは0.796となり、従来手法と比較して高精度なセグメンテーションを実現。
• 結論:
  • UMambaAdjは、MRIガイド下放射線治療において腫瘍の描出精度向上に貢献する可能性がある。
  • 将来的には、頭頸部がん患者の治療成績向上に繋がる可能性も期待される。