深度学习模型在MRI导向放射治疗中获得的电影成像上进行肺部目标跟踪的跨部分可移植性
Jiayuan Peng1,2,3,4, Hayley B Stowe2, Pamela P Samson2
1Academy for Engineering and Technology, Fudan University, Shanghai, China.
Physical and engineering sciences in medicine
|January 10, 2024
概括
深度学习模型显著提高了MRI导向放射治疗目标跟踪精度. 适应性培训策略提高了后续治疗部分的性能,超过了内部算法.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 磁力共振成像指导的放射治疗系统使用电影图像来追踪目标和束门.
- 目前的车载追踪方法在准确性和适应性方面存在局限性.
- 深度学习 (DL) 提供了改进自动目标跟踪的潜力.
研究的目的:
- 评估深度学习 (DL) 模型的翻译,用于跨放射治疗分数的目标跟踪.
- 为了比较不同DL架构和MRI指导放射治疗的训练策略的性能.
- 评估适应性训练对提高DL模型性能在后续分数中的有效性.
主要方法:
- 训练了三个DL模型 (U-net,注意力U-net,嵌套U-net) 在MRI导向放射治疗平台的电影图像上.
- 采用了两种培训策略:统一培训 (仅提供第一部分数据) 和自适应培训 (每部分更新).
- 使用子相似系数 (DSC) 和95%的豪斯多夫距离 (HD95) 对手动轮进行跟踪性能评估.
主要成果:
- 与机载算法 (OBT) 相比,具有统一训练的DL模型提高了17.0-19.3%的DSC.
- 与OBT相比,自适应训练进一步提高了DSC的24.7-25.7%,HD95的50.6-54.5%.
- 基于DL的跟踪显示出优于OBT的性能,特别是在适应性训练策略下.
结论:
- 深度学习模型在MRI导向放射治疗中显示了增强的目标跟踪能力.
- 适应性培训策略显著提高了分数到分数翻译的DL模型性能.
- 基于DL的自适应跟踪代表了放射治疗精度的一个有希望的进步.
