基于深度学习的自动细分为男性盆腔代CBCT在C臂线性加速器上的定制训练
Riley C Tegtmeier1, Christopher J Kutyreff1, Jennifer L Smetanick1
1Department of Radiation Oncology, Mayo Clinic Arizona, Phoenix, Arizona.
Practical radiation oncology
|February 7, 2024
概括
一个新的人工智能工具在iCBCT扫描上准确地自动分割前列腺癌治疗区域,与旧方法相比提高了效率和准确性. 虽然对于完整的前列腺有效,但前列腺床细分需要进一步细化.
科学领域:
- 放射治疗和医学成像技术
- 在瘤学中使用人工智能
- 图像细分技术 图像细分技术
背景情况:
- 对有风险的器官和目标体积的准确自细分对于有效的放射治疗规划至关重要.
- 深度学习自动细分 (DLAS) 工具为提高轮效率和一致性提供了潜力.
- 在增强的代圆束计算断层扫描 (iCBCT) 上评估DLAS性能对于临床适用性至关重要.
研究的目的:
- 评估使用iCBCT进行前列腺和前列腺床治疗的商业人工智能驱动的DLAS工具的临床实用性.
- 为了比较ICBCT训练的DLAS模型与PCT训练的DLAS模型和可变形图像注册 (DIR) 方法的性能.
主要方法:
- 在116个ICBCT数据集上训练了DLAS模型,使用手动划分有风险的器官 (膀,股骨头,直肠) 和目标体积 (前列腺,前列腺床).
- 一组独立的25个iCBCT数据集用于模型测试.
- 使用几何指标 (子相似系数,豪斯多夫距离) 和专家的定性评估,与参考和其他自动化方法相比,评估了细分精度.
主要成果:
- 经ICBCT训练的DLAS模型在风险器官和完整的前列腺细分方面明显优于PCT训练的DLAS模型和DIR方法,平均DSC≥0.90.
- 前列腺床细分的性能低于最佳 (平均DSC<0.75),约63%的轮需要显著的手动编辑.
- 膀 (90%),大腿骨头 (93%) 和完整的前列腺 (92%) 的临床可接受性得分较高,但直肠 (67%) 和前列腺床的临床可接受性得分较低.
结论:
- 经iCBCT训练的DLAS工具显示出增强基于iCBCT的放射治疗中的细分精度和效率的前景,其性能优于DIR方法.
- 需要进一步优化DLAS工具在前列腺床细分上的性能,以实现广泛的临床采用.
- 该研究强调了人工智能驱动的自分类在改善临床实践中的放射治疗工作流程方面的潜力.
