深度学习细分模型的广泛临床测试用于胸部和乳腺癌放射治疗规划
Stine Gyland Mikalsen1, Torleiv Skjøtskift2, Vidar Gordon Flote2
1Department of Medical Physics, Oslo University Hospital, Oslo, Norway.
Acta oncologica (Stockholm, Sweden)
|October 26, 2023
概括
深度学习细分 (DLS) 模型在胸部和乳腺放射治疗中显示出自动器官细分的前景,显著减少了轮时间. 虽然危险器官细分在临床上是可行的,但对于临床目标体积的DLS临床实施需要进一步关注.
科学领域:
- 放射治疗和医学成像技术
- 医疗保健中的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 研究深度学习细分 (DLS) 来自动从胸部和乳房区域的CT图像中提取器官.
- 通过测量时间节省和剂量计影响来评估DLS的临床整合可行性.
研究的目的:
- 评估DLS模型在放射治疗中的器官细分的性能和临床准备.
- 量化DLS在临床工作流程中的时间效率和剂量影响.
主要方法:
- 预期包括30名乳腺癌放射治疗患者.
- 手动轮23个器官;使用DLS进行了自动细分.
- 评估了几何一致性 (质量尺度,子系数,豪斯多夫距离) 和剂量影响.
主要成果:
- 93%的DLS有风险的器官轮不需要纠正 (除了心脏,67%需要纠正).
- DLS模型为CTV和心脏划线节省了平均14分钟.
- 获得了0.91的乳房和0.66-0.76的淋巴结的平均子系数.
结论:
- 由DLS生成的风险器官轮在临床上是可用的.
- 在广泛临床实施之前,对临床目标体积应用的DLS模型需要进一步关注.
