一种基于先前信息的自动细分方法,用于宫癌适应性放射治疗中的临床目标体积

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 计算解剖学的计算解剖学

背景情况:

• 适应性放射治疗需要对临床目标体积 (CTV) 进行准确的细分,尽管在治疗过程中发生了解剖变化.
• 重复的细分通常是必要的,但可能耗时且容易产生不准确性.

研究的目的:

• 为了提高适应性放射治疗中重复CTV细分的准确性.
• 将先前的患者特定数据集成到一个新的细分框架中.

主要方法:

• 使用来自90名宫癌患者的CT图像数据集开发了一个注册指导的多通道多路径 (Rg-MCMP) 框架.
• 从第一个放射治疗过程中获得的CT图像和CTV轮被注册为第二个过程.
• 一个具有多路径特征提取网络的3D U-Net处理了对齐的图像,对齐的轮和二级图像.

主要成果:

• 可变形的Rg-MCMP模型实现了0.892的平均子相似系数 (DSC),优于独立注册 (0.856) 和其他模型.
• 刚体Rg-MCMP模型实现了0.875的平均DSC,在独立的刚体注册 (0.787) 上显著改善.
• 这些DSC的改善在统计学上是显著的 (p < 0.05).

结论:

• 拟议的Rg-MCMP框架显示了对CTV细分的卓越准确性.
• 这个框架是适应性放射治疗工作流程的宝贵工具.
• 整合先前的数据可以在动态处理场景中提高细分精度.