对于儿科脊辐射的关键器官自分割的性能分析和基于知识的质量保证

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:

• 脊辐射 (CSI) 对于治疗儿科中枢神经系统疾病,如脑髓母细胞瘤至关重要.
• 准确地划定治疗区域是具有挑战性的,并且由于敏感器官处于危险状态 (OARs) 而耗时.
• 自动化细分过程对于提高放射治疗规划的效率和准确性至关重要.

研究的目的:

• 评估和比较基于图谱的技术和深度学习神经网络,用于CSI中的自动细分.
• 开发和评估一种基于知识的新型质量保证 (QA) 工具,用于对自动化细分精度的前性评估.
• 通过使用定量指标,确定用于临床应用的最有效的自动化细分方法.

主要方法:

• 分析了一组100名接受CSI的儿科患者 (2-25岁) 的队列.
• 两种自动细分方法 (图谱和神经网络) 与放射瘤学家批准的基底真相轮进行了比较.
• 评估使用了包括重叠和距离计算在内的定量指标,以及一种新的质量保证工具.

主要成果:

• 神经网络方法在60.58%的案例中显示出与地面真相轮的更高对齐,而Atlas方法则为8.17%.
• 在31.25%的病例中没有发现显著差异.
• 神经网络自动细分在50.6%的实例中与QA工具达成100%的一致,超过了Atlas方法的39.4%.

结论:

• 深度学习神经网络方法在CSI中展示了自动化细分的卓越性能.
• 神经网络方法提供了与基本真相轮的显著更接近的物理对齐,增强了临床适用性.
• 定量指标和开发的QA工具有助于选择放射治疗的最佳自动化细分策略.