对前列腺自适应性放射治疗的深度学习CBCT自分区软件的临床评估

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 对风险器官进行准确的自我细分对于适应性辐射疗法 (ART) 是至关重要的.
• 深度学习 (DL) 为医疗成像中的轮自动化提供了潜力.
• 前列腺癌的治疗依赖于精确地划分线体积和风险器官的形束计算断层扫描 (CBCT).

研究的目的:

• 描述基于深度学习的前列腺CBCT图像的自动细分软件.
• 评估该DL软件在常规适应性放射治疗中的临床适用性.
• 为了比较DL自动细分性能与专家的共识和运营商之间的变化.

主要方法:

• 从十名接受放射治疗的前列腺癌患者的CBCT数据的回顾性分析.
• 由四名放射瘤学家手动对器官 (大腿骨头,膀,直肠,前列腺,精液囊泡) 进行轮,以生成共识轮 (CC).
• 使用子相似系数 (DSC),质量中心 (COM) 转移和体积相对变化 (VRV) 的DL自分区 (在CBCT和CT上训练) 与CC的比较,与运营商间变化 (IOV) 进行基准测试.

主要成果:

• 对于大腿骨头 (DSC 0.96),DL软件的准确度很高,但对于精液囊等低对比度器官 (DL-CBCT的DSC 0.70) 的准确度较低.
• 在特定成像模式 (DL-CBCT) 上训练的算法表现出更好的性能.
• 在大多数结构中,DL-CBCT和人类操作员之间没有发现关于操作员间变化的显著差异.

结论:

• 在CBCT上基于DL的自动细分的准确性与专家的共识一致.
• 与运营商间变异性相比,DL软件的性能证明了其在临床适应性放射治疗工作流程中的使用.
• 建议对DL模型进行目标成像模式 (CBCT) 的训练,以获得前列腺放射治疗的最佳结果.