使用基于深度学习的方法组装高质量的淋巴结,用于宫癌放射治疗的临床目标体积
Xiaoxuan Jiang1, Shengyuan Zhang2, Yuchuan Fu1
1Department of Radiotherapy Physics & Technology Center, Cancer Center, West China Hospital Sichuan University, Chengdu 610041, Sichuan Province, PR. China.
Current medical imaging
|September 19, 2023
概括
这项研究引入了一个深度学习方法,用于精确的淋巴结细分在宫癌放射治疗,改善临床目标体积 (CTV) 组装. 这种方法提高了宫癌检测和治疗计划的效率.
科学领域:
- 医疗成像医学成像
- 放射治疗瘤学 放射治疗瘤学
- 人工智能在医学中的应用
背景情况:
- 精确划分淋巴结临床目标体积 (CTV) 对于有效的宫癌放射治疗至关重要.
- 当前的手动细分方法可能耗时,容易引起观察者之间的变化.
研究的目的:
- 开发和评估基于深度学习的方法,用于淋巴结子区域的自动细分.
- 使用CT图像组装高质量的CTV用于宫癌放射治疗.
主要方法:
- 在152名宫癌患者的CT图像上训练了一个3D编码解码器网络.
- 进行了7个淋巴结区域 (CTV) 的手动划分.
- 该模型针对单个结构进行了优化,并对另外64个案例进行了验证.
- 量化评估使用子相似系数 (DSC) 和豪斯多夫距离 (HD).
主要成果:
- 深度学习模型在细分各种淋巴结区域方面取得了高精度,平均DSC值在0.784到0.874.4之间.
- 豪斯多夫距离通常很小,表明精确的轮 (例如,常见和内结的4.7mm).
- 该模型在六种不同的临床条件中证明了可行性,在一个场景中,平均DSC为0.877和HD为4.4mm.
结论:
- 基于深度学习的方法有效地自动化了淋巴结子区域细分,用于CTV组装在宫癌放射治疗中.
- 这种方法提高了宫癌检测和治疗计划的效率.
- 开发的模型为生成高质量的CTV提供了可靠的工具,支持临床决策.
