通过使用深度学习组合,自动对神圣和周围肌肉进行细分,使用深度学习组合
Leonard Boussioux1, Yu Ma2, Nancy Knight Thomas2
1Operations Research Center, Massachusetts Institute of Technology, Cambridge, Massachusetts; Sloan School of Management, Massachusetts Institute of Technology, Cambridge, Massachusetts; University of Washington, Michael G. Foster School of Business, Department of Information Systems and Operations Management, Seattle, Washington.
概括
深度学习模型实现了神圣瘤瘤和周围肌肉的专家级细分,大大缩短了规划时间. 这种自动化方法提高了放射瘤治疗规划的准确性和效率.
科学领域:
- 辐射瘤学 辐射瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在放射治疗中手动细分瘤和器官是耗时的,需要专门的技能.
- 治疗神经瘤等罕见癌症在准确的治疗规划中存在独特的挑战.
- 深度学习 (DL) 为自动化复杂的细分任务提供了潜力.
研究的目的:
- 评估自动化深度学习模型的性能,用于分段圣骨胆瘤总瘤体积 (GTV) 和相邻肌肉.
- 与手动轮相比,评估DL基于细分的准确性和临床可行性.
主要方法:
- 专家放射瘤学家在48名患者的CT图像上手动轮了交叉骨冠状瘤GTV和五个肌肉结构.
- 训练了6个DL模型,包括3D U-Net和剩余的3D U-Net架构.
- 集成方法 (平均值和加权平均值) 被实施以提高预测准确度,使用Dice相似系数和表面距离指标进行评估.
主要成果:
- 集体DL模型在所有细分结构中表现出卓越的性能.
- 最佳组合实现了高体积子相似系数 (例如,GTV的85.5%,Gluteus maximus的94.4%) 和低平均对称表面距离.
- 质量评估表明,手动划分时间的潜在减少,平均为19分钟.
结论:
- 开发的DL和整体建模方法实现了神圣瘤瘤和肌肉的专家级细分.
- 这种方法显著简化并提高了放射瘤治疗规划的准确性.
- 它代表了自动化临床目标体积划分用于肉瘤和其他癌症的关键进展.
