基于深度学习的MRI指导的瘤细分算法的开发和基准测试,用于在四肢软组织肉瘤中进行放射学分析
Jan C Peeken1, Lucas Etzel2, Tim Tomov3
1Department of Radiation Oncology, Klinikum rechts der Isar, Technical University of Munich (TUM), Munich, Germany; German Consortium for Translational Cancer Research (DKTK), Partner Site Munich, Munich, Germany; Institute of Radiation Medicine (IRM), Helmholtz Zentrum München (HMGU), German Research Center for Environmental Health GmbH, Neuherberg, Germany; Department of Precision Medicine, GROW - School for Oncology and Developmental Biology, Maastricht University, Maastricht, Netherlands.
概括
一个新的深度学习算法自动化瘤细分用于软组织肉瘤 (STS) 的放射学分析,提供可重现的预测. 虽然它对于特征提取是有效的,但它对于放射治疗规划的直接临床适用性需要进一步研究.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 兴趣量 (VOI) 细分对于放射学和放射治疗 (RT) 来说至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
- 深度学习为自动化,可重复的细分提供了一个潜在的解决方案.
研究的目的:
- 开发和验证基于深度学习的自动细分 (DLBAS) 算法.
- 预测主要瘤总体体积的兴趣 (VOI) 在四肢软组织肉瘤 (STS) 的放射学分析.
- 评估DLBAS预测的可复制性和临床适用性.
主要方法:
- 在157名患者身上训练了一种DLBAS算法,并使用对比增强的MRI在87名患者身上进行了测试.
- 辐射瘤学家手动划定瘤线条作为基底真理 (GTs).
- 一项基准研究将DLBAS预测与住院医生和放射瘤学家的手动细分,以及临床适用性评级进行了比较.
主要成果:
- DLBAS实现了与GT相比的0.88的子相似系数 (DSC) 中位数,以及放射学特征的高稳定性 (中位数ICC为0.97).
- 与专家划分的比较显示,DSC的中位数为0.89 (居民) 和0.82 (辐射瘤学家).
- 辐射瘤学家发现DLBAS预测在35%和20%的病例中是临床上合适的.
结论:
- DLBAS算法提供可重现的VOI预测,用于极端STS的放射学特征提取.
- 虽然对于放射学有效,但DLBAS预测对于放射治疗规划的直接临床适用性需要进一步评估和改进.
