深度学习和基于图谱的模型来简化总骨髓和淋巴细胞辐射的细分工作流程
Damiano Dei1,2, Nicola Lambri3,4, Leonardo Crespi5,6
1Department of Biomedical Sciences, Humanitas University, Via Rita Levi Montalcini 4, 20072, Pieve Emanuele, Milan, Italy.
La Radiologia medica
|February 2, 2024
概括
深度学习和基于图谱的模型简化了总骨髓和淋巴细胞辐射 (TMLI) 轮. 深度学习模型有效地划分有风险的器官 (OAR),而基于地图的模型需要手动修订淋巴结临床目标体积 (CTV_LN).
科学领域:
- 辐射瘤学 辐射瘤学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 总骨髓和淋巴细胞辐射 (TMLI) 需要精确划分有风险的器官 (OAR) 和临床目标体积 (CTV) 才能有效治疗.
- 当前的轮工作流程可能耗时且劳动密集,影响整体治疗规划效率.
研究的目的:
- 通过提高OAR和CTV划分的准确性和速度来提高TMLI的工作流效率.
- 评估深度学习 (DL) 和基于图谱的 (AB) 细分模型对TMLI轮的性能.
主要方法:
- 两个商业DL软件包被用于对95个TMLI计划中的18个OAR进行细分.
- 为淋巴结CTV (CTV_LN) 划分开发了一种AB模型,并在独立的数据集上进行评估,采用了一种包含手动校正的半自动方法.
- 使用子相似系数 (DSC) 和剂量统计数据,以及时间工作负载分析来评估轮准确性.
主要成果:
- 与手动轮相比,DL模型实现了OAR细分的高中位数DSC值 (0.84-0.85),与手动轮相比,绝对中位数D平均值差异最小.
- 对于CTV_LN的AB模型实现了0.70的中位数DSC,在手动修改后改善到0.94.
- 实施DL和AB模型可以将每名患者的总细分时间从5小时减少到2小时.
结论:
- DL模型有效地简化了TMLI中的OAR轮.
- 手动修订对于在TMLI中使用AB模型进行准确的淋巴结划分至关重要.
- 这些人工智能驱动工具的整合显著提高了TMLI工作流的效率.
