盆腔放射治疗中的自动化细分:基于ATLAS,机器学习和深度学习模型的全面评估

科学领域:

• 医学成像分析分析 医学成像分析
• 辐射治疗工作流的优化和优化.
• 医疗保健中的人工智能

背景情况:

• 在放射治疗中,手动细分盆腔结构是耗时的,容易变化.
• 使用人工智能 (AI) 的自动细分提供了标准化和效率的潜力.

研究的目的:

• 评估四种自动化细分工具对用于骨盆放射治疗的计算机断层扫描 (CT) 图像的性能.
• 为了比较基于图谱的和机器学习算法,包括深度学习 (DL),用于细分宫癌和前列腺癌病例.

主要方法:

• 对40个宫癌和40个前列腺癌CT数据集的回顾性分析.
• 将STAPLE,随机森林,MVision (DL) 和LimbusAI (DL) 与手动细分 (地面真相) 的比较.
• 使用子相似系数 (DSC),豪斯多夫距离 (HD),距离达成协议部分 (DAP) 和时间效率进行评估.

主要成果:

• 深度学习工具在宫癌CT中显著优于其他方法,显示出优越的定量指标,定性得分和更短的校正时间.
• 对于前列腺癌CTs,所有分析的工具都显示了可比的定量和质量性能.
• 宫癌的解剖学变异性和前列腺SBRT中标准化的患者准备可能解释了性能差异.

结论:

• 人工智能驱动的自动细分,特别是DL,可以提高盆腔放射治疗规划的效率和准确性,特别是对于宫癌等复杂病例.
• 进一步开发和验证人工智能工具对于在常规放射治疗工作流程中广泛采用至关重要.