使用MRI引导和CBCT引导的在线自适应性放射治疗的域调整进行高效的细分
Yuxiang Liu1, Bining Yang1, Xinyuan Chen1
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China.
概括
这项研究开发了个性化的深度学习模型,以在适应性放射治疗 (ART) 中实现更快,更准确的细分. 新方法显著提高了MRI引导的ART和CBCT引导的ART程序的准确性.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 对感兴趣区域 (ROI) 的准确划分对于适应性放射治疗 (ART) 是至关重要的.
- 目前的手动细分方法耗时且劳动密集,阻碍了高效的ART工作流程.
研究的目的:
- 开发MRI引导的ART (MRIgART) 和CBCT引导的ART (CBCTgART) 的高效和准确的细分方法.
- 通过使用先进的深度学习技术,提高ART中ROI划分的速度和精度.
主要方法:
- 设计了两种域适应方法,将特征从计划CT (pCT) 转移到MRI或CBCT.
- 一般化的深度学习模型在大型数据集上进行训练,然后通过微调对个体患者进行个性化.
- 建议的方法与可变形图像注册 (DIR) 和标准深度学习方法进行了比较.
主要成果:
- 拟议的方法在不同的ART方式和患者队列中显示出优越或可比的性能.
- 对于MRIgART,拟议方法的平均子相似系数 (DSC) 达到92.20%.
- 对于CBCTgART,拟议的方法在鼻癌和胰腺癌患者中实现了分别为91.18%和81.56%的平均DSC.
结论:
- 个性化建模显著提高了适应性放射治疗中的细分精度.
- 开发的方法为ART的ROI划分提供了更有效,更精确的方法.
