基于先前知识的深度学习自细分在前列腺癌的磁共振成像导向放射治疗中
Maria Kawula1, Marica Vagni2, Davide Cusumano2,3
1Department of Radiation Oncology, LMU University Hospital, LMU Munich, Munich, Germany.
Physics and imaging in radiation oncology
|November 6, 2023
概括
在MR导向放射治疗中,深度学习模型的自分段显示出不同的性能. 患者特异型模型 (PSM) 对处于危险的器官优于密集移位场模型 (DDFM),而DDFM则适合临床目标体积划分.
科学领域:
- 医学成像和放射治疗.
- 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:
- 自动化器官细分对于放射治疗的规划和实施至关重要.
- 在前列腺癌治疗中,准确地界定风险器官 (OAR) 和临床目标体积 (CTV) 是必不可少的.
- 导向磁共振 (MR) 适应性辐射疗法需要高效和精确的自我细分技术.
研究的目的:
- 为了比较深度学习方法对前列腺癌患者的OAR和CTV的自分类,这些患者接受了分成MR引导的自适应性辐射疗法.
- 评估密集位移现场模型 (DDFMs) 与患者特异模型 (PSMs) 和基线模型 (BMs) 的性能.
主要方法:
- 使用了92名患者的数据集,其中包括计划和分部MRI图像.
- 经过训练,DDFM可以预测轮传播的密集移位场.
- 通过对个体患者的计划图像进行微调BM来生成PSM.
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD) 评估了表现.
主要成果:
- DDFMs (膀/直肠的DSC 0.76/0.76) 的表现比OARs的PSMs (0.91/0.90) 和BMs (0.89/0.88) 更差.
- 对于豪斯多夫距离也观察到类似的趋势.
- 对于CTV,DDFM (DSC 0.87) 和PSM (0.84) 的表现相似.
结论:
- 在MR导向放射治疗中,DDFM适用于在刚性对齐后的CTV划分.
- 由于DDFM在预测实质性解剖变化的能力有限,PSM在OAR细分方面显著优于DDFM.
