针对临床目标体积的个性化深度学习模型,用于乳腺癌患者的每日形光束计算机断层扫描
Joonil Hwang1,2, Jaehee Chun3,4, Seungryong Cho1,2
1Department of Nuclear and Quantum Engineering, Korea Advanced Institute of Science and Technology, Daejeon, Republic of Korea.
Advances in radiation oncology
|September 11, 2024
概括
使用故意深度超拟学习 (IDOL) 的新型深度学习算法显著改善了用于乳腺癌放射治疗的形束计算断层扫描 (CBCT) 上的临床目标体积 (CTV) 分段,从而增强了个性化治疗.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 在形光束计算机断层扫描 (CBCT) 扫描上对临床目标体积 (CTV) 的准确细分对于有效的乳腺癌放射治疗至关重要.
- 目前的方法可能缺乏高度个性化,图像引导的治疗所需的精度.
研究的目的:
- 开发和评估一个深度学习算法,以改善乳腺癌放射治疗中每日CBCT扫描的CTV细分.
- 利用故意深度超能力学习 (IDOL) 框架进行患者特定的学习和增强个性化的放射治疗.
主要方法:
- 使用2个阶段的深度学习方法,从100名乳腺癌患者中使用了240个CBCT扫描.
- 第一个阶段涉及训练一般模型 (Swin UNETR,UNET,SegResNET);第二阶段使用故意过拟合患者特定数据.
- 量化评估使用子相似系数 (DSC),豪斯多夫距离 (HD) 和平均表面距离 (MSD) 与专家轮相比.
主要成果:
- IDOL集成显著提高了CTV细分精度,使用Swin UNETR模型 (P < .05) 进行了显著的改进.
- 针对患者的IDOL训练改善了DSC (0.9611到0.9819),减少了HD (4.0118毫米到1.3935毫米),并减少了MSD (0.8723到0.4603) 的第15个部分.
- 在加入早期分数CBCT扫描时,观察到进一步的改善,第15个分数的DSC达到0.9850,HD为1.2707毫米,MSD为0.4076.
结论:
- 与一般模型相比,患者特定的深度学习算法显著提高了乳腺癌患者的CBCT扫描中的CTV细分精度.
- 通过每日CBCT扫描进行持续的深度学习培训,可以提高CTV划分的准确性和效率.
- 未来的研究应该调查IDOL框架在不同深度学习模型,数据集和癌症类型中的适应性.


