一个基于深度学习的3D Prompt-nnUnet模型用于手术后子宫内膜癌支臂治疗中的自动细分
Xian Xue1, Dazhu Liang2, Kaiyue Wang3
1Secondary Standard Dosimetry Laboratory, National Institute for Radiological Protection, Chinese Center for Disease Control and Prevention (CDC), Beijing, China.
Journal of applied clinical medical physics
|April 29, 2024
概括
一个新的3D Prompt-nnUnet模型实现了高风险临床目标体积 (HR CTV) 和风险器官 (OAR) 在子宫内膜癌胸膜治疗中的准确和快速自细分. 这种人工智能工具可以减少观察者之间的变化和治疗时间.
科学领域:
- 医学成像和放射瘤学医学成像和放射瘤学
- 医疗保健中的人工智能
- 计算解剖学的计算解剖学
背景情况:
- 准确地界定高风险临床目标体积 (HR CTV) 和有风险的器官 (OAR) 对于在术后子宫内膜癌 (EC) 中有效的高剂量率支臂治疗 (HDR BT) 至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化,影响治疗的一致性和患者的结果.
研究的目的:
- 为EC开发和验证一个3D Prompt-nnUnet模块,用于在HDR BT中对HR CTV和OAR进行自动细分.
- 评估Prompt-nnUnet模型的性能与传统的3D nnUnet和经验丰富的临床医生相比.
主要方法:
- 使用了321个CT扫描用于HR CTV和125个CT扫描用于EC患者的OAR细分.
- 通过使用三重交叉验证,将新的3D Prompt-nnUnet (具有Predict-Prompt和Label-Prompt变体) 与3D nnUnet进行了比较.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD),HD95%和交叉点在联盟 (IoU) 的评估细分精度.
主要成果:
- 标签提示 (LP) 变种的Prompt-nnUnet表现出与经验丰富的放射瘤学家可比的性能.
- 对LP的平均DSC值为0.96 (HR CTV),0.91 (直肠) 和0.83 (尿道).
- 每个结构的细分时间小于2.35秒,显著减少了临床医生的工作量.
结论:
- 3D Prompt-nnUnet,特别是LP变体,为HR CTV和OAR提供了高度一致的自分类.
- 这种人工智能驱动的方法有效地减少了观察者之间的变化,并缩短了EC HDR BT.的整体治疗时间.
