基于形束计算断层扫描的在线自适应性放射治疗的渐进式自分化
Hengrui Zhao1, Xiao Liang1, Boyu Meng1
1Medical Artificial Intelligence and Automation Laboratory and Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Physics and imaging in radiation oncology
|August 12, 2024
概括
这项研究引入了LSTM-UNet,用于在线适应性放射治疗 (ART) 中改进自细分. 该模型利用了过去的成像数据,显著提高了形光束CT扫描中面临风险的器官和目标的细分精度.
科学领域:
- 医疗成像医学成像
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 准确的风险器官 (OAR) 和目标的自分类对于在线自适应性放射治疗 (ART) 来说至关重要.
- 目前使用圆束计算机断层扫描 (CBCT) 的自分区方法往往缺乏临床可接受性.
- 现有的方法无法利用最初计划和先前的自适应分数的历史数据来提高细分精度.
研究的目的:
- 开发一个新的框架,以提高在线ART中CBCT自动细分的准确性.
- 从最初的规划和先前的适应分数中整合时间上下文到细分过程中.
- 通过利用历史数据来改进当前分数CBCT图像的细分精度.
主要方法:
- 介绍LSTM-UNet架构,将长短期内存 (LSTM) 单元集成到U-Net跳过连接中.
- 利用患者的初始计划和之前的适应分数的数据来保留时间信息.
- 用模拟数据进行模型预训练,然后对临床数据集进行微调.
主要成果:
- 拟议的LSTM-UNet模型在8个头部和部器官和目标中实现了79%的平均Dice相似系数.
- 这比没有先前知识的基线模型 (52%) 和具有先前知识但没有记忆的基线模型 (78%) 显著改善.
结论:
- LSTM-UNet模型有效地利用了先前分数的信息,超过了基线细分框架.
- 这种方法减少了临床医生手动修改自细分结果的需要.
- 该模型显示了将其集成到在线ART工作流中的承诺,在合成CT图像上提供精确的细分.
