在直肠癌放射治疗中对卷积神经网络的自动细分结果进行临床评估
Jing Li1, Ying Song1,2, Yongchang Wu1
1Radiotherapy Physics & Technology Center, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
Frontiers in oncology
|September 21, 2023
概括
卷积神经网络 (CNN) 为放射治疗中的自动图像细分提供了可重复和节省时间的解决方案,显示了在直肠癌治疗中临床使用的潜力. 虽然几何精度很高,但对于可靠的自动细分,还必须考虑剂量分布.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 适合合性放射治疗的图像细分是耗时的,并且缺乏观察者之间的一致性.
- 准确地划分有风险的器官 (OAR) 和临床目标体积 (CTV) 对于有效的直肠癌治疗至关重要.
研究的目的:
- 评估使用卷积神经网络 (CNN) 进行直肠癌的自动细分方法的几何和剂量准确性.
- 评估这些基于CNN的细分工具在临床实践中的可靠性.
主要方法:
- 对47例直肠癌病例的回顾性分析.
- 将DeepLabv3+和ResUNet CNN模型与瘤学家划分 (基本真相) 和基于Atlas的自分化 (ABAS) 的比较.
- 使用子相似系数 (DSC) 和表面 DSC 的几何评估;通过重新规划和分析关键剂量参数进行剂量测量评估.
主要成果:
- DeepLabv3+在CTV和小肠中显示出优异的DSC;ResUNet在膀细分方面表现出色.
- 对目标体积观察到显著的剂量测量差异,但对ResUNet产生的小肠没有.
- 在目标体积的DSC指标和剂量参数之间发现了负相关性.
结论:
- CNNs提供可重复和时间效率高的自动细分,有可能在放射治疗中临床应用.
- 临床评估必须考虑几何准确性和对剂量分配的影响,在比较自细分方法时.
