一项关于深度学习的多中心研究,用于质母细胞瘤自我细分,具有多模式成像技术的先验知识
Suqing Tian1, Yinglong Liu2, Xinhui Mao3
1Department of Radiation Oncology, Peking University Third Hospital, Beijing, China.
Cancer science
|August 9, 2024
概括
一种新的深度学习方法,PKMI-Net,准确地对质母细胞瘤 (GBM) 瘤进行自动细分,用于放射治疗规划. 这种人工智能方法提高了轮准确性和效率,潜在地提高了患者治疗结果.
科学领域:
- 放射治疗和医学成像技术
- 在瘤学中使用人工智能
- 神经外科和神经瘤学
背景情况:
- 精确的质母细胞瘤 (GBM) 分段对于有效的放射治疗计划至关重要.
- 手动细分是耗时的,并且取决于专家的经验.
- 现有的自动化方法可能缺乏准确性和通用性.
研究的目的:
- 为GBM开发和评估一种基于深度学习的新型自动细分方法 (PKMI-Net).
- 利用从多式联络成像中获得的先前知识来提高细分精度.
- 评估拟议方法的临床适用性和多中心通用性.
主要方法:
- 这是一项回顾性研究,使用了四个多中心数据集中的148名患者的数据.
- 开发PKMI-Net,一种使用多式成像 (CT,MRI) 的深度学习模型.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD95),平均表面距离 (ASD) 和相对体积差异 (RVD) 评估细分性能.
主要成果:
- 在细分总瘤体积 (GTV),临床目标体积1 (CTV1) 和CTV2 (DSC:0.94,0.95,0.92) 方面,PKMI-Net实现了高精度.
- 细分结果在很大程度上在临床上是可以接受的,需要最小的修订.
- 该方法在各种多中心数据集中展示了强大的通用性和一致的性能.
结论:
- 拟议的PKMI-Net有效地使用多式联络成像预先知识自动化GBM细分.
- 这种由人工智能驱动的方法显著提高了对照准确性和放射治疗规划效率.
- PKMI-Net显示了提高质母细胞瘤放射治疗的整体质量和效率的潜力.
