轮编辑对CT和MRI深度学习自分割对大脑OARs的剂量计影响
Nouf M Alzahrani1,2,3, Ann M Henry2,4, Anna K Clark3
1Department of Diagnostic Radiology, King Abdulaziz University, Jeddah, Saudi Arabia.
Journal of applied clinical medical physics
|April 26, 2024
概括
大脑放射治疗的深度学习风险器官自轮 (DL-AC) 模型显示,轮编辑没有显著的剂量计影响. 剂量测量分析对于验证DL-AC的临床适用性至关重要,因为仅用几何测量是不够的.
科学领域:
- 放射治疗和医学物理学的研究.
- 医疗保健中的人工智能
- 医疗成像和细分医学成像和细分
背景情况:
- 深度学习自轮 (DL-AC) 模型为简化放射治疗计划提供了潜力.
- 精确划分有风险的器官 (OAR) 对于有效的放射治疗和最大限度地减少毒性至关重要.
- 轮编辑对DL-AC模型性能和临床适用性的影响需要彻底调查.
研究的目的:
- 评估DL-AC模型对大脑放射治疗的临床适用性.
- 评估基于CT和MRI的DL-AC模型上训练前轮编辑的剂量计影响.
- 通过对几何和剂量测量测量进行相关联,确定是否需要剂量测量评估来验证DL-AC模型.
主要方法:
- 基于CT和MRI的DL-AC模型使用编辑和未编辑的临床轮进行训练.
- 进行了自细分与黄金标准轮的剂量对比,使用D1%,D5%,D50%和最大剂量.
- 利用对应的学生t测试来统计显著性和皮尔森的相关性,以链接几何和剂量测量评估.
主要成果:
- 在CT DL-AC模型或MRI DL-AC模型之间没有发现大脑OAR的显著剂量优势,除了MRI的右轨道外.
- 在所有自细分模型中,光学 D1% 超过临床意义值的频率更高.
- 在几何和剂量测量评估结果之间始终观察到微弱的相关性.
结论:
- 训练前的轮编辑没有显著影响DL-AC模型的剂量.
- 仅用几何指标就不足以估计轮不准确性对辐射剂量的影响.
- 剂量测量分析对于验证DL-AC模型在脑放射治疗中的临床适用性至关重要.
