一个基于SwinTransformer的细分框架,用于术后前列腺癌放射治疗的自我监督策略

科学领域:

• 医疗成像医学成像
• 辐射瘤学 辐射瘤学
• 人工智能的人工智能

背景情况:

• 针对前列腺癌的激进前列腺切除术往往需要术后放射治疗.
• 在CT图像上准确地划分临床目标体积 (CTV) 和淋巴结排水面积 (LNA) 对于有效的放射治疗至关重要.
• 手动对CTV和LNA进行细分是具有挑战性和耗时的,原因是手术后的解剖变化以及CT图像中缺乏明确的界限.

研究的目的:

• 开发一种自动化和准确的方法,用于在术后放射治疗的背景下对CTV和LNA进行细分.
• 利用CTV,LNA和风险器官 (OAR) 之间的关系来提高细分精度.
• 为放射性瘤学家在术后放射治疗规划中创造一个更有效的工作流.

主要方法:

• 一个新的级联细分块被设计为整合OAR的功能,用于指导CTV和LNA细分.
• 提出了一个纯粹的基于SwinTransformer的细分网络,利用自我监督的学习策略.
• 该模型明确建立了CTV,LNA和OAR之间的相关性.

主要成果:

• 拟议的基于SwinTransformer的模型在与现有细分模型相比,表现出更高的性能.
• 定量评估显示,子得分更高,标准偏差更小.
• 定性评估表明,细分结果与地面真相更一致.

结论:

• 开发的AI模型为术后放射治疗中CTV和LNA细分提供了可行和高效的解决方案.
• 这种方法可以显著简化放射治疗规划过程,提高临床医生的效率.
• 该方法有望提高前列腺癌治疗的精度和有效性.