同时对象检测和细分用于患者特异的无标记肺瘤跟踪在模拟的X线图与深度学习的模拟X线图

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 实时瘤跟踪对于放射治疗中的运动管理至关重要,但目前的方法往往需要信托标记,带来风险并增加治疗时间.
• 使用深度学习的无标记追踪是一种有希望的替代方案,但缺乏系统的评估和个性化的适用性评估.
• 对于先进的跟踪技术,如多叶聚合器跟踪,需要同时进行边界框预测和面具细分.

研究的目的:

• 实施深度学习模型,使用患者特定的培训来无标记肺瘤跟踪.
• 能够同时输出边界框和面罩细分,以增强跟踪功能.
• 制定一种程序,以评估对个别患者的无标记追踪的可行性.

主要方法:

• 在875张CT扫描的数字重建放射图 (DRR) 上训练了一种视网膜U-Net基线模型.
• 使用97名肺癌患者的独立队列开发了一种针对患者的精细化程序.
• 使用质量中心 (COM) 错误,分割的子相似系数 (DSC) 和框框边界的盒子中心 (COB) 错误和DSC进行模型性能评估,与模板匹配基准进行比较.

主要成果:

• 规划CT (PCT) -DRR交叉点超过联盟 (IoU) 门的0.2个确定案例,在4DCT-DRR上取得一致的成功 (100%).
• 对于PCT-DRR IoU > 0.2 (37/84名患者) 的病例,该模型实现了平均COM误差为2.6毫米,细分DSC为0.78,COB误差为2.7毫米,盒子DSC为0.83.
• 该模型适用于97名患者中50名患者,每推断时间为170毫秒,在相关情况下明显优于基准模型 (p < 0.001).

结论:

• 使用预先训练的深度学习模型的患者特异性精细化方法在模拟放射图中对无标记肺瘤跟踪有效.
• 这种方法为信托标记提供了可行的替代方案,提高了肺癌放射治疗的安全性和效率.
• 开发的程序有助于确定无标记跟踪的个人适用性,为个性化运动管理铺平了道路.