在非小细胞肺癌的立体辐射疗法中,使用诊断性PET-CT和计划性CT进行自动瘤划分的深度学习方法
Xuyao Yu1,2, Lian He3, Yuwen Wang4
1Department of Radiation Oncology, Tianjin Medical University Cancer Institute and Hospital, National Clinical Research Center for Cancer, Tianjin's Clinical Research Center for Cancer, Key Laboratory of Cancer Prevention and Therapy, Tianjin, China.
Frontiers in oncology
|August 21, 2023
概括
这项研究开发了一种深度学习模型,用于精确的非小细胞肺癌 (NSCLC) 瘤细分,使用PET-CT和计划CT (pCT) 扫描. 双模式方法显著提高了比单模式方法的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 辐射瘤学 辐射瘤学
背景情况:
- 准确的瘤划分对于非小细胞肺癌 (NSCLC) 的有效立体体辐射疗法 (SBRT) 至关重要.
- 目前的细分方法可能在精度和效率方面面临限制.
- 整合诊断和计划成像模式,有可能提高准确性.
研究的目的:
- 为NSCLC目标开发和评估基于深度学习的细分方法.
- 使用双模态PET-CT和SBRT计划CT (pCT) 图像进行增强的细分.
- 将拟议的方法与现有的技术和单一模式方法进行比较.
主要方法:
- 基于3D-UNet的深度学习架构被用于细分.
- 该网络结合了挤压和激发以及用于特征重新校准的剩余块.
- 使用双模式PET-pCT图像,注册将诊断PET与pCT对齐.
- 在86名患者数据集上使用子相似系数 (DSC),精度,回忆和表面距离指标来评估表现.
主要成果:
- 拟议的双模模式实现了0.844.4的平均DSC.
- 它的性能优于传统的3D-UNet (0.795) 和nnUnet (0.827).
- 使用PET和pCT进行细分优于单独使用任何一种模式 (pCT的DSC为0.823,PET为0.732).
结论:
- 开发的深度学习细分方法有效地使用双模态PET-pCT图像划分NSCLC目标.
- 与单模输入相比,PET和pCT数据的整合显著提高了细分精度.
- 这种方法有望提高NSCLCSBRT规划的精度和效率.


