危险器官的深度学习细分与整合到儿科大脑放射治疗的临床工作流程
Lina Mekki1, Sahaja Acharya2, Matthew Ladra2
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, Maryland, USA.
Journal of applied clinical medical physics
|February 19, 2024
概括
一个新的自动细分工具准确地识别了接受放射治疗 (RT) 的儿科癌症患者的大脑结构. 这项技术有助于通过改善脑瘤儿童的治疗计划来保护神经认知功能.
科学领域:
- 医学物理 医学物理
- 放射治疗瘤学 放射治疗瘤学
- 人工智能在医学中的应用
背景情况:
- 儿童脑癌放射治疗 (RT) 可以导致长期的神经认知缺陷.
- 当前的治疗计划往往忽略了对认知功能至关重要的危险器官 (OAR).
- 需要专门的工具用于儿科大脑RT细分.
研究的目的:
- 为儿童大脑辐射治疗引入一种新的自动细分工具.
- 为了解决儿科患者独特的细分挑战.
- 将该工具无地集成到现有的临床工作流程中.
主要方法:
- 一个视觉转换器 (UNesT) 在47名儿童脑癌患者和33名健康婴儿的图像上受过训练.
- 该模型对五个关键的大脑OAR进行了细分:前额白质,体,海马体,叶和脑干.
- 该工具通过DICOM连接与治疗计划系统 (TPS) 集成到临床工作流中.
主要成果:
- 自动细分框架为所有五个OAR实现了高中位数的子相似系数.
- 具体结果包括0.928 (额头白质),0.908 (体),0.933 (海马),0.819 (叶) 和0.960 (大脑干).
- 平均处理时间很快,每案1.8±0.67秒.
结论:
- 儿科大脑细分工具对与神经认知功能相关的OAR显示出有希望的准确性.
- 该工具的集成方便临床访问,并最大限度地减少工作流程中断.
- 该框架可扩展到细分额外的关键结构,以改善儿科RT规划.


