基于深度学习的选择性淋巴结区域划分的有效应用,用于盆腔恶性瘤.
Feng Wen1,2, Jie Zhou3, Zhebin Chen4
1Division of Abdominal Tumor Multimodality Treatment, Department of Radiation Oncology, Cancer Center, West China Hospital, Sichuan University, Chengdu, China.
Medical physics
|July 29, 2024
概括
一个新的深度学习模型,CMU-net,自动化了用于癌症放射治疗的盆腔淋巴结区域划分,提高了效率和一致性. 这种人工智能工具显示出高精度,有可能简化盆腔恶性瘤的临床工作流程.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 对于盆腔淋巴结区域 (LNR) 的划界,国际上存在共识.
- 在LNR轮中,观察者之间和观察者内部仍然存在显著的变异性.
- 盆腔恶性瘤手动轮是耗时和劳动密集的.
研究的目的:
- 开发一个深度学习模型,用于自动化骨盆LNR划分.
- 为了提高盆腔癌放射治疗的轮的准确性和效率.
主要方法:
- 从160名患有骨盆恶性瘤的患者的CT扫描计划的回顾性收集.
- 两个放射瘤学家将六个盆腔LNR划定为基本事实.
- 一个级联式多头U-net (CMU-net) 模型的构建和验证.
主要成果:
- CMU-net在自动划分六个盆腔LNR时取得了高准确度.
- 子相似系数 (DSC) 在0.851至0.942.9之间.
- 平均表面距离 (ASD) 从0.381到1.037毫米不等,而第95百分比的豪斯多夫距离 (HD95) 从2.025到3.697毫米不等.
- 超过95%的自动划分只需要由专家瘤学家进行轻微编辑.
结论:
- 该CMU-net模型已成功开发用于自动骨盆LNR划分.
- 该模型展示了改进的轮效率和高一致性.
- CMU-net显示了在盆腔恶性瘤的放射治疗工作流程中实施的潜力.
