一个完全自动化的术后脑瘤细分模型用于辐射治疗规划和纵向跟踪
Karthik K Ramesh1,2, Karen M Xu1, Anuradha G Trivedi1,2
1Department of Radiation Oncology, Emory University School of Medicine, Atlanta, GA 30322, USA.
Cancers
|August 12, 2023
概括
研究人员开发了一种深度学习模型,用于对术后脑瘤进行细分,改善放射治疗计划和患者跟踪. 3D Unet模型在细分瘤总体 (GTV1和GTV2) 方面取得了很高的准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 辐射治疗计划 辐射治疗计划
背景情况:
- 质母细胞瘤 (GBM) 尽管有积极的治疗,包括手术,放射治疗 (RT) 和化疗,预后不好.
- 目前的RT规划依赖于手术前瘤的细分,手术后细分的工具有限,这是由于切除腔和血液产品的挑战.
- 术后的GBM的准确细分对于有效的RT规划和纵向患者监测至关重要.
研究的目的:
- 开发和评估深度学习模型,用于在FLAIR和CE-T1wMRI上对术后脑瘤 (GTV1和GTV2) 进行细分.
- 评估各种深度学习架构的性能,包括Unet,ResUnet,Swin-Unet,3D Unet和Swin-UNETR.
- 将表现最好的模型集成到一个网络应用程序中,用于对GBM患者进行自动报告和纵向跟踪.
主要方法:
- 在手术后的FLAIR和CE-T1wMRI扫描上训练了多个深度学习模型,来自225名GBM患者.
- 在一个独立的数据集上测试了这些模型 30 GBM 患者使用 Dice 度量测试细分精度.
- 评估了GTV1 (低剂量RT目标) 和GTV2 (高剂量RT目标) 的细分性能.
主要成果:
- 3D Unet 模型表现最好,在测试数据集中,GTV1 的平均 Dice 评分为 0.72,GTV2 的平均 Dice 评分为 0.73.
- 该模型显示GTV1和GTV2细分精度的标准偏差为0.17.
- 最好的模型成功地集成到一个纵向跟踪网络应用程序中,用于自动报告.
结论:
- 一个轻量级的,基于深度学习的细分模型 (3D Unet) 已成功开发用于术后的GBM.
- 这种模型可以在放射治疗规划和对GBM患者的纵向跟踪方面发挥重要作用.
- 开发的工具解决了在临床实践中改善术后瘤细分的需求.
