基于深度学习的器官自动细分风险为0.35 T MRgRT的肺瘤的器官

科学领域:

• 放射治疗和医学成像技术
• 医疗保健中的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 磁共振成像指导放射治疗 (MRgRT) 能够进行适应性治疗规划.
• 在MRgRT中手动划分有风险的器官 (OAR) 是耗时且可变的.
• 深度学习自分化 (DLAS) 为自动化OAR划分提供了一个潜在的解决方案.

研究的目的:

• 在MRgRT工作流程中研究DLAS在胸部MRI中的OAR应用.
• 评估DLAS生成的轮的准确性和临床可用性,与手动划分相比.

主要方法:

• 从0.35T的MR-Linac.中回顾收集了122个计划MRI的回顾性收集.
• 训练个人3DU-Nets对关键胸部OAR (肺,心脏,大动脉,脊柱管道,食道) 的细分.
• 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 将DLAS轮与临床轮进行比较,并由放射瘤学家评估临床可用性.

主要成果:

• 在所有OAR中实现了高的DSC中位数值,从0.78 (食道) 到0.96 (肺).
• 中位数第95百分点豪斯多夫距离处于可接受的临床范围内 (2.6-5.8毫米).
• 放射瘤学家更喜欢DLAS轮,其中85%不需要修正,90%被认为可以使用轻微或没有修正.

结论:

• 在临床MRI数据上训练的3D U-Nets为MRgRT提供了准确的胸部OAR划分.
• 偏好DLAS轮而不是手动生成的轮,这表明MRgRT工作流程的效率和一致性可能会提高.