基于深度学习的自动临床目标体积细分的临床评估:一个单一机构的多站点瘤体验

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:

• 手动划定临床目标体积 (CTV) 是耗时的,并且根据瘤学家的经验而有所不同.
• 深度学习提供了自动化的CTV划分,但多部位瘤分析尚未得到充分探索.

研究的目的:

• 评估深度学习模型,用于在多个瘤部位的CT图像上自动CTV轮.
• 从客观和主观的角度评估模型性能.

主要方法:

• 四个深度学习模型 (Flexnet,Unet,Vnet,Segresnet) 被训练并通过CT扫描测试了577名患有各种癌症的患者.
• 客观评估使用子相似系数 (DSC) 和豪斯多夫距离 (HD);主观评估涉及瘤学家的视觉审查.

主要成果:

• 观察到自动和手动轮之间的高度相关性,大多数患者达到DSC> 0.8.8.
• 食道癌的病例显示较低的DSC (0.62-0.64).
• 从主观来看,82.65%的自动细分的CTV被认为是临床上可接受的或需要小修订.

结论:

• 自动生成的轮可以作为初始模板,节省瘤学家在CTV划分中的时间.
• 基于深度学习的自动细分证明了可接受的准确性和提高各种癌症放射治疗临床效率的潜力.