在线磁共振成像指导前列腺放射治疗的预处理信息辅助自动细分
Bining Yang1, Yuxiang Liu1, Ji Zhu1
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Medical physics
|July 14, 2023
概括
这项研究引入了一种新的深度学习方法,用于在MRI引导的自适应性放射治疗中更快,更准确的瘤和器官轮. 整合患者特定数据显著减少了手动编辑时间,以提高治疗效率.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 对感兴趣区域 (ROI) 的精确轮测定对于在线磁共振成像 (MRI) 引导的自适应性放射治疗 (MRIgART) 至关重要,以最大限度地提高剂量测量效益.
- 目前的方法,如可变形图像注册 (DIR) 和基于深度学习 (DL) 的自分类,通常需要大量的手动调整,延长治疗时间.
- 需要有效和准确的自分化来简化MRIgART过程.
研究的目的:
- 通过将患者特定的预治疗信息集成到DL算法中来提高MRIgART中的自分化性能.
- 为了提高在线适应性放射治疗工作流程的整体效率.
- 为了减少临床医生的手动轮负担.
主要方法:
- 开发了一个新的DL网络,将患者特定的可变形CT和相应的轮纳入MR图像细分任务中.
- 该方法应用于40名前列腺癌患者,使用在线自适应式MRI图像和计划CT数据.
- 进行了四重交叉验证,并将拟议的方法与DIR和标准DL技术进行了比较,用于细分临床目标体积 (CTV),膀,直肠和股骨头.
主要成果:
- 拟议的方法在五个ROI中实现了较高的平均子相似系数 (93.5%),而不是DIR (87.5%) 和DL (87.2%).
- 显著减少了需要主要手动编辑的患者:拟议方法的7人,CTV的12人 (DIR) 和18人 (DL);膀的1人 (拟议) 与17人 (DIR) 和4人 (DL).
- 与DIR (0.897 ± 0.098) 和DL (0.871 ± 0.134) 相比,对剂量计参数的斯皮尔曼等级相关系数在拟议方法 (0.972 ± 0.040) 中较高.
结论:
- 一种基于DL的新方法有效地整合了患者特定的预治疗信息,以改善MRIgART中的自分化.
- 拟议的方法显示出优越的细分精度,并大大减少了手动轮编辑的需要.
- 这一进步提高了适应性放射治疗工作流程的效率和精度.
