基本上未经编辑的基于深度学习的OAR适用于严格的口腔喉癌和喉癌治疗计划
Jihye Koo1,2, Jimmy Caudell1, Kujtim Latifi1
1Department of Radiation Oncology, Moffitt Cancer Center, Tampa, Florida, USA.
Journal of applied clinical medical physics
|November 9, 2023
概括
深度学习模型可以准确地划分风险器官 (OARs) 进行头癌治疗计划. 未经编辑的自动细分保持了计划质量,使得有效的临床工作流程.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 有风险的器官 (OAR) 自分化的质量对于放射治疗计划至关重要.
- 目前的方法依赖于对手工划分的协同度量.
- 最终的目标是使用未经编辑的自分段来保持治疗计划的质量.
研究的目的:
- 评估在头癌治疗计划中使用未经编辑的深度学习 (DL) 模型生成的OAR的可行性.
- 评估DL自分段的OAR是否与手动划分相比保持治疗计划质量.
主要方法:
- 一个原型DL模型为40名HN癌症患者生成了13个OAR.
- 用原始目标和未经编辑的DL-自分段OAR重新规划患者.
- 目标覆盖率 (不均质指数,遗憾量) 和OAR质量 (DVH指标,PQM) 在原始和重新规划的场景之间进行了比较.
主要成果:
- 主要目标覆盖范围在原始计划和重新生成的计划之间几乎相同.
- 对于DVH曲线的平均Dice相似系数 (DSC) 是0.97±0.06.
- 计划质量指标显示的差异很小,只有0.6%的DVH目标在DL OAR优化后在手动OAR中失败.
结论:
- 严格的HN治疗计划可以通过DL自分段的OAR实现.
- 临床应用需要对DL生成的OAR进行最小的手动编辑.
- 这种方法支持高效和高质量的放射治疗工作流程.
