评估淋巴结区域覆盖率与总骨髓辐射,并实施总骨髓和淋巴细胞辐射,使用基于深度学习的自动化细分

科学领域:

• 辐射瘤学 辐射瘤学
• 医学成像医学成像
• 医学中的人工智能

背景情况:

• 总骨髓辐射 (TMI) 和总骨髓和淋巴细胞辐射 (TMLI) 是先进的放射治疗技术.
• 对TMI/TMLI的目标病变的手动划分是耗时和劳动密集的.
• 关于TMI计划中淋巴结 (LN) 覆盖范围以及TMI和TMLI之间的临床区别存在不确定性.

研究的目的:

• 通过使用TMI计划评估LN面积覆盖率.
• 开发和评估用于自动LN区域划分的深度学习模型.
• 为了比较手动与人工智能辅助轮的效率.

主要方法:

• 在接受TMI治疗的患者中,全身LN区域的手动轮.
• 在TMI计划中对划分的LN区域的剂量覆盖率的估计.
• 使用nnU-NET框架开发全身CT数据的深度学习模型.
• 使用子相似系数 (DSC),精度,回忆和豪斯多夫距离95 (HD95) 的模型评估.

主要成果:

• 在TMI下,在 inguinal (14.7%),外部 iliac (21.8%) 和 para-aortic (42.8%) LNs 中观察到低于最佳的V100%剂量覆盖率.
• 深度学习模型实现了0.79的中位数DSC,0.83的精度,0.76的回忆,和2.63.95的HD95.
• 与手动轮相比,人工智能辅助轮显著减少了时间.

结论:

• TMI计划提供不足的剂量覆盖至关重要的 inguinal,外侧阴茎,和 para-aortic LN 区域.
• 基于深度学习的LN区域的自动划分可以简化TMLI的实施.
• 这种方法有可能提高辐射瘤学的治疗精度和效率.