一种深度学习细分方法,用于评估乳腺放射治疗期间风险器官的剂量
Monjoy Saha1, Jae Won Jung2, Sung-Woo Lee3
1Division of Cancer Epidemiology and Genetics, National Cancer Institute, National Institutes of Health, Rockville, MD 20850, USA.
Physics and imaging in radiation oncology
|December 11, 2023
概括
这项研究开发了一种深度学习方法,用于在乳腺放射治疗规划中自动对器官进行细分. 人工智能模型对大多数器官实现了高精度,提高了治疗的效率和一致性.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在乳腺放射治疗中,手动轮器官的风险是耗时和可变的.
- 准确的器官细分对于评估健康影响和优化治疗计划至关重要.
- 深度学习为自动化这一复杂过程提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一种基于深度学习的方法,用于自动对多个处于风险的器官进行细分.
- 为了提高器官细分在乳腺放射治疗中的效率和一致性,计划计算机断层扫描 (CT) 图像.
- 评估自动化方法的性能与专家的界定.
主要方法:
- 利用了118名患者的CT图像,其中90人接受培训,28人接受测试.
- 开发了一种深度学习模型,对11个处于危险的器官进行细分,包括心脏基底结构.
- 通过使用Dice相似系数 (DSC),重叠分数,体积相似性,豪斯多夫距离,平均表面距离和剂量指标来评估细分.
主要成果:
- 在整个心脏 (0.94),左/右肺 (0.96/0.97),左/右心房 (0.81/0.86) 和左/右心室 (0.91/0.84) 中获得高平均DSC值.
- 对食道 (0.61) 和LAD动脉 (0.21) 的表现较差.
- 显示了大多数细分结构的最小剂量差异 (<0.1 Gy),除了LAD.
结论:
- 深度学习方法在乳腺放射治疗规划中对大多数有风险的器官进行细分方面表现出色.
- 该方法可用于细分额外的结构.
- 自动化细分有可能简化放射治疗计划并提高一致性.
