基于CT和MRI的深度学习细分的几何评估,用于放射治疗中的大脑OAR
Nouf Alzahrani1,2,3, Ann Henry2,3, Anna Clark3
1King Abdulaziz University, Department of Diagnostic Radiology, Faculty of Applied Medical Sciences, King Abdulaziz University, Jeddah, Saudi Arabia.
Physics in medicine and biology
|August 14, 2023
概括
大脑放射治疗的深度学习自动轮 (DL-AC) 显示出有希望的结果. 在训练之前在MRI上编辑轮显著改善了风险器官的模型性能,提高了一致性和质量.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 深度学习自动轮 (DL-AC) 旨在在放射治疗中标准化风险器官 (OAR) 划分.
- 目前还没有商业模型可以使用脑MRI进行OAR轮.
- 在CT和MRI上训练DL-AC模型的研究对于临床可用性至关重要.
研究的目的:
- 通过CT和MRI数据训练和评估DL-AC模型用于大脑OAR自分化.
- 评估在训练之前对线形编辑对DL-AC模型几何准确性的影响.
- 为了比较基于CT和基于MRI的DL-AC模型的性能.
主要方法:
- 追溯性质瘤病例被用于培训和验证数据集.
- 编辑临床轮以满足国际共识指南 (黄金标准).
- 用原始和编辑的轮训练MRI和CTDL-AC模型;自动轮以几何方式进行比较.
主要成果:
- 编辑的自细分模型比未编辑的模型产生了更多的细分.
- 在MRI上进行训练前的轮编辑显著改善了几种OAR的几何指标 (垂体,轨道,视神经,透镜,视觉).
- 基于MRI的DL-AC显示,与基于CT的模型相比,在划分眼腺方面存在局限性.
结论:
- T1w-MRI DL-AC可以对大多数大脑OAR进行细分,眼腺因可视化不佳而例外.
- 在模型训练之前在MRI上编辑轮可以提高几何性能.
- MRI DL-AC具有提高放射治疗的一致性,质量和效率的潜力,这取决于仔细的轮编辑.
