具有故障检测的自动总瘤体积细分,用于在局部晚期宫癌中安全实施
Rahimeh Rouhi1,2, Stéphane Niyoteka1,2, Alexandre Carré1,2
1Université Paris-Saclay, Institut Gustave Roussy, Inserm, Radiothérapie Moléculaire et Innovation Thérapeutique, 94800 Villejuif, France.
Physics and imaging in radiation oncology
|June 24, 2024
概括
深度学习模型在宫癌放射治疗中改善了总瘤体积细分. 使用放射性特征的新型故障检测系统通过识别细分不准确性来帮助临床医生.
科学领域:
- 放射治疗和医学成像技术
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 自动细分对于放射治疗工作流程至关重要,但需要扩展到目标体积.
- 在局部晚期宫癌 (LACC) 中,精确细分总瘤体积 (GTV) 对于有效的治疗计划至关重要.
- 深度学习 (DL) 模型为提高GTV细分精度提供了潜力.
研究的目的:
- 为了比较深度学习 (DL) 模型用于局部晚期宫癌 (LACC) 总瘤体积 (GTV) 细分.
- 引入使用放射性特征进行GTV细分的新型故障检测方法.
- 评估2D和3DDL细分模型在T2加权 (T2W) MRI序列上的性能.
主要方法:
- 训练了八个DL模型 (UNet,VNet,SegResNet,SegResNetVAE) 用于GTV的2D和3D细分.
- 在最终细分的交叉验证过程中组合的DL模型.
- 开发了使用细分GTV的放射性特征来检测基于子相似系数 (DSC) 的细分失败的二进制分类器.
主要成果:
- 在测试队列中,2D-SegResNet模型实现了最佳的细分性能 (DSC = 0.72 ± 0.16).
- 使用物流回归 (LR) 分类器检测故障证明了有效的精度,回忆,F1得分和准确性.
- 2D DL 网络在 2D MRI 序列上的细分方面表现优于 3D 网络.
结论:
- 在DL方法中,细分精度略有差异,2D网络在2DMRI中表现出优势.
- 开发的DL细分模型为临床医生节省了大量的时间.
- 提出的故障检测系统可以帮助临床医生在敏感情况下识别和管理细分不准确性.
