使用U-Net进行不可逆的电穿孔过程中的热损伤地图预测

科学领域:

• 医学物理 医学物理
• 在瘤学瘤学.
• 人工智能在医学中的应用

背景情况:

• 不可逆的电穿孔 (IRE) 是一种正在发展中的癌症治疗方法.
• 准确预测热损伤对于有效的IRE治疗计划至关重要.
• 深度学习方法为增强治疗计划系统提供了潜力.

研究的目的:

• 调查U-Net深度学习架构在不可逆电穿孔 (IRE) 过程中预测热损伤区域的有效性.
• 开发一种基于深度学习的IRE癌症治疗治疗计划系统.

主要方法:

• 使用MIMICS和3-Matic软件从MRI图像中创建了具有不规则形状的肝脏瘤模型.
• 使用COMSOL Multiphysics 5.3进行有限元分析,以模拟电场分布和热损伤.
• 一个U-Net深度学习网络被设计和训练来预测来自电场分布数据的热损伤.
• 分析了各种电极配置,包括对针,单双极和多电极.

主要成果:

• 经过训练的U-Net模型实现了0.96的平均DICE系数和0.98的准确度来预测热损伤面积.
• 这些高性能指标在包括各种电极类型在内的数据集中是一致的.
• 这标志着U-Net架构首次用于预测IRE程序中的热损伤.

结论:

• U-Net深度学习模型显示了在不可逆转的电穿孔过程中准确预测热损伤区域的巨大潜力.
• 这些发现支持使用U-Net作为IRE治疗计划系统的一个组成部分.
• 这种方法可以提高IRE癌症治疗的精度和有效性.