基于深度学习的自动内部总目标体积划分从4D-CT肝细胞癌患者的4D-CT

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 呼吸运动显著影响肝脏的位置和形态.
• 4D-CT提供比3D-CT更准确的总目标体积 (GTV) 划分,但耗时.
• 这项研究解决了在4D-CT成像中自动化GTV划线的需求.

研究的目的:

• 开发和评估一个深度学习 (DL) 框架,用于使用4D-CT数据进行自动内部GTV划分.
• 在放射治疗规划中提高目标体积细分的效率和准确性.

主要方法:

• 设计了一个具有双编码路径 (空间和时间) 和基于注意力的特征融合模块的DL网络.
• 该网络处理了26名患者的4D-CT数据,每个数据集包括10个呼吸阶段.
• 使用豪斯多夫距离 (HD95) 和子相似系数 (DSC) 评估了细分精度.

主要成果:

• 在DL框架下,GTV的平均DSC为0.869,内部GTV (IGTV) 的平均DSC为0.882.
• 平均HD95值为GTV的5.14毫米和IGTV的4.88毫米,表明与手动轮的良好一致.
• 该模型通过用其他呼吸阶段的数据补偿低分段切片来提高准确性,在呼吸结束时获得最佳结果.

结论:

• 拟议的DL框架显示了在4D-CT数据集上完全自动化瘤细分的巨大潜力.
• 这些发现支持将这种DL方法整合到肝细胞癌放射治疗的4D-CT治疗规划工作流程中.
• 该研究强调了人工智能在提高辐射瘤学的精度和效率方面的承诺.