在乳腺和节点放射治疗中基于图谱的自分类的临床评估
Camarie Welgemoed1,2, Emiliano Spezi3, Pippa Riddle1
1Radiotherapy Department, Imperial College Healthcare NHS Trust, Charing Cross Hospital, London, United Kingdom.
The British journal of radiology
|July 26, 2023
概括
基于图谱的自分类 (ABAS) 准确度用于放射治疗规划,在使用更大的模板图谱组或特定案例选择时不会得到改善. 仅使用十个图谱就可以实现高质量的自我细分,从而简化了临床应用.
科学领域:
- 放射治疗规划和医学成像.
- 计算解剖学和图像分析.
- 临床瘤学和辐射物理学.
背景情况:
- 精确的解剖结构轮是精确的放射治疗规划,优化剂量输送和节省器官的风险至关重要的.
- 手动轮是耗时的,容易导致用户的变化.
- 自动细分 (AS) 提供了效率,但通常需要手动校正.
研究的目的:
- 调查是否增加模板地图集团大小和特定的地图/测试案例选择可以提高基于地图的自动细分 (ABAS) 的准确性.
- 评估这些因素对放射治疗计划的影响.
- 确定提高AS效率和可靠性的方法.
主要方法:
- 乳房,节点,肺,心脏和手臂的追溯轮,由一名临床医生在100张CT扫描上进行.
- 将地图集成成不同的群体大小,并选择特征特定的地图集.
- 使用Mirada软件创建AS,并使用Jaccard相似系数 (JSC) 和中心距离方差 (CDV) 评估相似性.
主要成果:
- 通过平均JSC来衡量ABAS的准确性,在不同组大小和亚特拉斯选择中是一致的 (平均JSC=0.6).
- 在JSC和结构体积之间没有发现显著的相关性.
- 中心距离变异 (CDV) 在各组中相似,表明一致的变异模式.
结论:
- 增加模板地图集团大小和特定的地图/测试案例选择并不能提高ABAS的准确性.
- 高质量的AS可以从10个图谱的小组中获得,简化了ABAS的实施.
- 体积位移指标 (CDV) 有助于评估细分变化的临床相关性,并减少手动编辑.
