多模式细分,缺少图像数据,用于自动划分头癌总瘤体积
Yao Zhao1,2, Xin Wang1,2, Jack Phan3
1Department of Radiation Physics, The University of Texas MD Anderson Cancer Center, Houston, Texas, USA.
Medical physics
|June 19, 2024
概括
这项研究开发了一种深度学习模型,用于头癌瘤体积细分,有效地处理缺失的PET扫描数据. 该模型表现出强大的性能,为放射瘤学工作流程提供了实用解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 由于目标形态和图像对比度低,头部和部 (HN) 总瘤体积 (GTV) 自分化是复杂的.
- 多种模式的PET/CT成像技术有助于放射瘤学家,但PET的可用性并不能保证.
研究的目的:
- 使用PET/CT开发一个深度学习框架,用于使用PET/CT进行自动化HN癌症GTV划分.
- 解决细分模型中缺少PET数据的挑战.
主要方法:
- 实施"空白通道"方法来训练使用PET/CT对和CT数据的深度学习模型.
- 在524名口癌患者 (数据集I) 上训练了该模型,并在90名HN患者 (数据集II) 上进行了测试.
- 使用子相似系数 (DSC),平均表面距离 (MSD) 和95%的豪斯多夫距离 (HD95) 评估性能.
主要成果:
- 模型在数据集II.上实现了0.56 (仅CT) 和0.62 (PET/CT) 的DSC.
- 在数据集I测试案例中,模型1的平均DSC为0.77,超过了HECKTOR挑战的0.72.7的平均值.
- 性能与经过特定训练的模型相当,表现出灵活性.
结论:
- 成功开发了一种多模式细分工具,用于准确的HN癌症GTV划分.
- "空白通道"方法允许灵活的数据输入,使该工具适用于有限的PET接入的临床环境.
