在每日MRI-Linac射线治疗质母细胞瘤期间进行自动细分的深度学习方法
Adrian L Breto1, Kaylie Cullison1, Evangelia I Zacharaki1
1Department of Radiation Oncology, Sylvester Comprehensive Cancer Center, Miller School of Medicine, University of Miami, Miami, FL 33136, USA.
Cancers
|November 14, 2023
概括
这项研究引入了一个深度学习网络,用于在MRI导向放射治疗期间自动细分质母细胞瘤. 人工智能模型在日常扫描中准确地细分瘤和切除腔,帮助适应性治疗策略.
科学领域:
- * 瘤学和放射学
- * 医学中的人工智能
- * 医学成像和辐射疗法
背景情况:
- *质母细胞瘤治疗反应通常在化疗前后使用MRI进行评估.
- * 放射治疗期间对质母细胞瘤变化的实时监测至关重要,但很少进行.
- *高场MRI-linac可在治疗期间进行日常成像,为动态瘤评估提供新的机会.
研究的目的:
- * 开发和验证一个深度学习网络,用于在每日MRI-linac治疗设置扫描上自动分段质母细胞瘤.
- * 在化疗和放射治疗期间实现瘤和 (损伤) 和切除腔体积的实时跟踪.
- * 建立适应性放射治疗和使用多参数MRI的预后建模的基础.
主要方法:
- *一个卷积神经网络 (CNN) 设计用于自动细分质母细胞瘤病变和切除腔.
- * 该网络使用每天0.35T的MRI-linac扫描对36名接受化学放射治疗的质母细胞瘤患者进行了培训和验证.
- *用于对930个MRI进行模型培训,验证和测试,采用了九倍交叉验证方案 (80:10:10).
主要成果:
- * 深度学习网络实现了瘤病变的Dice平均相似系数为0.67,切除腔的Dice相似系数为0.84.
- * 该系统的性能与现有的手术后质母细胞瘤自分区网络相提并论.
- *这项研究代表了第一个专门为MRI-linac应用开发的脑病变细分网络.
结论:
- *开发的深度学习网络可以在MRI导向放射治疗期间准确,自动细分质母细胞瘤.
- *自动分段化可促进分段体积的使用,用于适应性放射治疗的规划和交付.
- *这项技术支持通过分析瘤动力学和多参数MRI数据来创建预后模型.
