通过深度学习提高磁共振导向辐射疗法的心脏细分精度
Nicholas Summerfield1, Eric Morris2, Soumyanil Banerjee3
1Department of Medical Physics, University of Wisconsin-Madison, Madison, Wisconsin; Department of Human Oncology, University of Wisconsin-Madison, Madison, Wisconsin.
概括
这项研究介绍了nnU-Net.wSD,这是一种深度学习模型,可以准确地对心脏基结构进行细分,以改善放射治疗. 这一进步增强了磁共振导向辐射疗法 (MRgRT) 期间的心脏节省.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 心脏基结构剂量指标与晚期心脏病发病有很强的相关性.
- 磁共振导向辐射疗法 (MRgRT) 允许每天可视化心脏基结构.
- 对心脏基结构的准确细分对于放射治疗中有效的心脏节约至关重要.
研究的目的:
- 扩展"没有新"的U-Net深度学习框架与自蒸 (nnU-Net.wSD) 以改善MRgRT中的心脏亚结构细分.
- 为了评估nnU-Net.wSD与标准3D U-Net相比用于心脏亚结构细分的性能.
- 评估数据增强策略对nnU-Net.wSD.分段精度的影响.
主要方法:
- 对18名接受0.35 T MR导向线性加速器胸部或腹部辐射治疗的患者的回顾性评估.
- 放射瘤学家对12个心脏基结构进行划定,以培训,验证和测试nnU-Net.wSD.
- 使用几何指标 (Dice,MDA,Hausdorff) 和剂量-体积直方图的分析,对nnU-Net.wSD与3D U-Net进行比较.
- 使用第二所研究所的独立数据集来评估可通用性.
主要成果:
- nnU-Net.wSD在12个心脏子结构中实现了0.65 ± 0.25的平均子相似系数,超过了3D U-Net (0.583 ± 0.28,P < .01).
- 用分成的数据增加显著提高了单个MR模拟时间点 (P < .01) 的性能.
- 预测的轮导致剂量-体积组图与临床计划密切匹配,平均值 (0.32 ± 0.5 Gy) 和最大剂量 (1.42 ± 2.6 Gy) 的偏差最小.
结论:
- nnU-Net.wSD在MRgRT中的心脏亚结构细分方面表现出强大的性能.
- 开发的框架是朝着快速可靠的心脏亚结构细分迈出的重要一步.
- 这项技术有可能在MRgRT期间显著改善心脏节约,减少晚期心脏病发病率.
