基于深度学习的细分,用于使用3D Prompt-ResUNet进行宫癌高剂量支臂疗法

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 准确细分高风险临床目标体积 (HRCTV) 和有风险的器官 (OAR) 对于有效的高剂量率支臂治疗在宫癌中至关重要.
• 手动细分是耗时的,容易引起观察者之间的变异性,可能影响治疗疗效和患者的治疗结果.
• 深度学习模型为自动化和标准化这一细分过程提供了一个有希望的途径.

研究的目的:

• 开发和评估一种新型的3D Prompt-ResUNet模块,用于在宫癌支臂疗法中快速和一致地对HRCTV和OAR进行自细分.
• 将3D Prompt-ResUNet的性能与nnUNet和SegmentAnything Model-Med3D等既有方法进行比较.
• 评估拟议的自细分方法的几何精度和临床相关性.

主要方法:

• 利用来自135名宫癌患者的CT和MRI扫描进行培训,验证和测试.
• 开发并应用了3D Prompt-ResUNet架构,将基于提示符的建模与3D nnUNet集成在一起.
• 进行了包括几何指标 (DSC,HD95%,JI,MCC) 和临床评估 (观察者之间的比较,专家评分,图灵测试) 在内的全面评估.

主要成果:

• 3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能,3D Prompt-ResUNet实现了高性能.
• 该模型与经验丰富的放射瘤学家有很强的一致性,表现优于经验较少的观察者.
• 实现了HRCTV和膀的100%临床可行性,并在双盲图灵测试中超过了基准值,表明了临床适用性.

结论:

• 3D Prompt-ResUNet架构在宫癌支骨疗法中提供了HRCTV和OAR的准确和一致的自分化.
• 与手动细分相比,这种方法显著降低了观察者之间的变化.
• 开发的模型有潜力缩短治疗规划时间,并提高宫癌支臂疗法的标准化.