Resumen

La segmentación precisa de órganos en riesgo (OARs) en tomografía computarizada (TC) es clave para planificar el tratamiento en radioterapia (RT). Delinear manualmente los OARs en cientos de imágenes de una exploración típica de TC puede ser un proceso lento y propenso a errores. Las redes neuronales convolucionales profundas con estructuras específicas como U-Net han demostrado ser efectivas para la segmentación de imágenes médicas. En este trabajo, proponemos una red neuronal profunda de extremo a extremo para la segmentación multiorgánica con mayor precisión y menor complejidad. En comparación con varios métodos de vanguardia, el módulo de ajuste de precisión-complejidad propuesto (ACAM) puede aumentar la precisión de la segmentación y reducir la complejidad y el uso de memoria del modelo simultáneamente. También se propone un módulo de agregación multisensorial basado en atención (MAM) para una mejora adicional. Los resultados experimentales en conjuntos de datos de TC de tórax muestran que la red prop

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Segmentación; órganos en riesgo; Tomografía computarizada; Radioterapia; Redes neuronales convolucionales; U-Net
• Keywords:Segmentation; Organs-at-risk; Computed tomography; Radiation therapy; Convolutional neural networks; U-Net