使用深度卷积神经网络对废除病变的自动细分:激光间歇性热疗法后响应评估的基础

科学领域:

• 神经外科 神经外科
• 在瘤学瘤学.
• 放射学 放射学是一门学科.

背景情况:

• 激光间歇性热疗法 (LITT) 提供组织诊断,细胞减小和快速恢复内瘤和辐射亡的全身疗法.
• 后LITT胀是常见的,由于短暂的临床恶化,复杂的反应评估.

研究的目的:

• 通过体积测量,评估开发LITT治疗的病变反应评估标准的可行性.
• 评估在临床实践和试验中自动化病变细分的有用性.

主要方法:

• 追溯分析61个LITT治疗的病变和6个对照病例,MRI随访≥9个月.
• 在T1加权MRI上训练nnU-Net模型用于对比度增强性损伤体积 (CeLV) 的自动细分.
• 用于响应评估的体积测量,将进展定义为从体积点或基线扩展>40%.

主要成果:

• 自动细分实现了95.6%的准确率.
• 在1-3个月后,CeLV在LITT后显著增加 (中位数为68.3%),在6个月内恢复到基线.
• 体积度进展发生在37.5%的患者中,与明显更差的整体存活率 (17.3 vs 62.1个月) 相联系.

结论:

• 后LITT CeLV扩张是可量化的,暂时的,并在6个月内得到解决.
• 开发LITT的体积反应评估标准是可行的,并建议用于临床试验.
• 自动化细分可以加速在临床实践中采用体积标准.