使用Flex U-Net网络进行直肠癌放射治疗的临床目标体积和风险器官细分
1Department of Radiation Oncology, Shandong Cancer Hospital and Institute, Shandong First Medical University and Shandong Academy of Medical Sciences, Jinan, China.
Frontiers in oncology
|June 16, 2023
概括
本研究介绍了Flex U-Net,这是一个改进的深度学习模型,用于在直肠癌放射治疗中对临床目标体积 (CTV) 和风险器官 (OAR) 进行细分. Flex U-Net提供了一个更快,更准确的自动细分解决方案.
科学领域:
- 医疗成像医学成像
- 放射疗法是一种放射治疗.
- 人工智能的人工智能
背景情况:
- 临床目标体积 (CTV) 和风险器官 (OAR) 的准确细分对于直肠癌的有效术前放射治疗至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
研究的目的:
- 为了提高CTV和OAR细分的准确性,用于直肠癌手术前放射治疗.
- 开发和验证一个改进的自动细分模型,Flex U-Net.
主要方法:
- 收集了265名直肠癌患者的CT扫描,用于模型培训和验证.
- 开发了Flex U-Net,结合了一个注册模型来减轻手动注释噪音.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均对称表面距离 (ASSD) 来比较Flex U-Net与U-Net和V-Net的性能.
主要成果:
- 与基线方法相比,Flex U-Net实现了更高的细分精度.
- 对于心血管,膀和大腿骨头的特定DSC值显示了统计学上显著的改善 (P<0.05).
- 拟议的方法显示了更高的性能指标 (例如,CTV的DSC:0.817与0.803).
结论:
- Flex U-Net为直肠癌CTV和OAR提供了令人满意和优异的自动细分解决方案.
- 该方法是自动,快速和一致的,在放射治疗规划中具有广泛应用的潜力.
- 这种方法可以提高各种癌症类型的放射治疗规划的效率和准确性.
