基于深度学习 (DL) 的完全自动化目标划分,用于使用分裂和征服策略的直肠癌新辅助放射治疗:一项多中心盲和随机验证的研究

科学领域:

• 辐射疗法 辐射疗法
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 临床目标体积 (CTV) 和直肠癌新辅助放射治疗的总瘤体积 (GTV) 的手动划分至关重要,但耗时.
• 精确的细分对于有效的辐射输送和治疗规划至关重要.

研究的目的:

• 开发和验证基于深度学习 (DL) 的工作流程,用于直肠癌新辅助放射治疗中完全自动化的CTV和GTV划分.
• 与手动划分相比,评估自动细分的准确性和临床可行性.

主要方法:

• 一项回顾性研究包括141名II-III期中低直肠癌患者.
• 使用了两个单独的DL模型 (DpuUnet后端):一个用于基于CT的CTV细分,另一个用于基于MRI的GTV细分.
• 一个三级多中心盲评估方案使用子相似系数 (DSC),第95百分点豪斯多夫距离 (95HD),专家评分和图灵测试来评估绩效.

主要成果:

• 对于CTV,DL轮实现了0.85±0.06的平均DSC和7.75±6.42mm的95HD,临床可行的得分为96.4%.
• 对于GTV,DL轮实现了0.87±0.07的平均DSC和95HD的4.07±1.67毫米,100%的临床可行性得分.
• 在图灵测试中,DL工作流显示了52.3% (CTV) 和52.0% (GTV) 的阳性率,表明了高性能.

结论:

• 拟议的基于DL的工作流证明了在直肠癌放射治疗中自动化CTV和GTV划分的有希望的准确性.
• 自动化细分显示出出色的临床可行性,可能减少手工轮的劳动密集性.
• 这种人工智能驱动的方法在简化直肠癌放射治疗计划方面取得了重大进展.