使用3D U-Net,设计和评估以深度学习为基础的部和下部亚体结构的自动细分
L Melerowitz1, S Sreenivasa1, M Nachbar1
1Charité - Universitätsmedizin Berlin, Corporate Member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Department of Radiation Oncology, Augustenburger Platz 1, 13353, Berlin, Germany.
Clinical and translational radiation oncology
|May 7, 2024
概括
这项研究引入了一种自动化方法,用于对头癌患者的子亚结构进行细分,显著减少了细分时间,并提高了放射治疗规划的准确性.
科学领域:
- 医学成像和辐射瘤学.
- 医疗保健中的人工智能.
- 计算解剖学和细分.计算解剖学和细分.
背景情况:
- 目前对头癌患者 (HNCP) 的放射治疗计划通常将整个下视为一个有风险的器官,忽视了详细的部细分.
- 精确的骨质放射性 (ORN) 和牙植入成功的风险评估需要精确的剂量分析在特定的下和部段.
- 手动对结构进行细分是耗时的,不一致的,并且缺乏对子部分的标准化定义.
研究的目的:
- 开发和验证12个不同的下和上次结构的自动细分模型.
- 与手动细分相比,评估自动化模型的效率和准确性.
- 在CT扫描中评估模型在金属文物存在时的性能.
主要方法:
- 一个3D U-Net深度学习模型被训练在82个CT扫描从HNCP.
- 下和上被分为12个子结构进行细分.
- 该自动化方法在20个独立的CT扫描中与手动细分进行了验证,使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和表面DSC (sDSC).
主要成果:
- 自动细分平均在86秒内完成,比手动细分的53.5分钟要快得多.
- 中位数DSC范围从0.81到0.91,中位数HD95范围从1.61到4.22,表明高精度.
- 该模型即使在金属文物上也表现良好,尽管上亚体结构的细分度量略低于下.
结论:
- 开发的下子结构细分模型是准确的,时间效率高,并且强大,即使CT扫描中含有金属文物.
- 这种自动化方法促进了详细的剂量分析,这对于预测正常组织并发症,如ORN和牙植入物失败至关重要.
- 该模型为推进辐射瘤学中正常组织并发症概率 (NTCP) 模型提供了一个有前途的工具.
