应用一种新的两步深度学习网络来改善非小细胞肺癌放射治疗中食道的自动划界
Fuli Zhang1, Qiusheng Wang2, Na Lu1
1Radiation Oncology Department, The Seventh Medical Center of Chinese People's Liberation Army (PLA) General Hospital, Beijing, China.
Frontiers in oncology
|August 3, 2023
概括
一个新的两步深度学习网络准确地对肺癌放射治疗中风险较高的胸部器官进行细分. 这种方法对食道细分具有初步临床意义,为自动化放射治疗规划提供了新的选择.
科学领域:
- 放射疗法是一种放射治疗.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 对风险器官 (OAR) 的准确细分对于有效的肺癌放射治疗至关重要.
- 目前的手动划分是耗时的,容易引起观察者之间的变化.
- 深度学习为自动化OAR细分提供了潜力.
研究的目的:
- 在非小细胞肺癌 (NSCLC) 放射治疗中引入一种新的两步深度学习网络,用于胸部OAR的自动细分.
- 为了具体评估模型在食道细分方面的表现.
- 将拟议的模型与基准U-Net架构进行比较.
主要方法:
- 使用了59个肺癌患者CT图像的数据集,其中39个用于培训,8个用于验证,12个用于测试.
- 为自动OAR细分而开发了一个两步深度学习网络.
- 使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和平均表面距离 (ASD) 评估性能,并与U-Net.
- 用手动和自动细分来生成治疗计划,以评估临床影响.
主要成果:
- 拟议的模型在DSC,HD95和ASD中在OAR细分方面表现优于U-Net.
- 最高的DSC平均值为0.94 (左肺),最低的HD95是3.78毫米 (气管),最低的ASD是1.16毫米 (气管).
- 食道细分实现了0.73的DSC,符合临床意义的初步标准.
- 基于手动和自动细分的治疗计划显示出最小的差异.
结论:
- 两步细分方法准确地细分肺癌患者的胸部OAR.
- 该模型对食道细分的性能表明了初步的临床适用性.
- 利用特定器官的深度学习网络为放射治疗中自动化细分提供了一个有前途的方法.
