基于深度学习的自动轮对目标体积和乳腺癌风险器官划分的观察者间一致性的评估:多机构研究中的RTQA计划对RTQA计划的影响
Min Seo Choi1, Jee Suk Chang1, Kyubo Kim2
1Department of Radiation Oncology, Yonsei University College of Medicine, Seoul, Republic of Korea.
Breast (Edinburgh, Scotland)
|November 22, 2023
概括
深度学习自轮在乳腺癌放射治疗规划中显著降低了观察者间变异 (IOV). 这项技术改善了面临风险的器官 (OAR) 和临床目标体积 (CTV) 的轮协议,最大限度地减少了协议偏差.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 目标体积和风险器官 (OAR) 轮的观察者间变化 (IOV) 在放射治疗中提出了挑战.
- 在多个机构中标准化轮造型对于一致的治疗结果至关重要.
研究的目的:
- 在31个机构中量化乳腺癌轮IOV.
- 评估基于深度学习 (DL) 的自动轮在减少IOV方面的临床实用性.
主要方法:
- 第一个阶段:由多个机构手动对临床目标体积 (CTV) 和OAR进行轮.
- 第二阶段:应用DL乳腺细分模型进行自动轮.
- 使用Dice相似系数 (DSC) 和豪斯多夫距离 (HD) 进行定量分析,以比较DL自动轮之前和之后的IOV.
主要成果:
- 在DL自轮后,平均DSC (0.69至0.77) 和HD (34.9至17.9毫米) 的显著改善.
- 增加了CTV结构的观察者间协议 (5-19%) 在第二阶段,减少了手动调整.
- 使用热图的定性分析可视化了减少的轮变化.
结论:
- 基于DL的自动轮大大改善了OAR和CTV的轮协议.
- 这项技术在尽量减少辐射治疗协议偏差方面显示出潜力.
- DL自动轮为提高放射治疗规划的一致性和准确性提供了一个有前途的解决方案.
