实现全自动化工作流程,用于在放射治疗期间使用圆束计算机断层扫描来研究肺癌缓解症的动态

科学领域:

• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用
• 放射疗法和医学物理.

背景情况:

• 卡切西亚,以非自愿的肌肉损失为特征,显著影响肺癌患者,降低治疗疗效,增加死亡率.
• 在放射治疗期间的常规圆束计算机断层扫描 (CBCT) 提供了监测身体组成变化的潜力.
• 目前的方法缺乏追踪与缓解症进展相关的微妙肌肉质量变化的分辨率.

研究的目的:

• 开发和验证一种自动化的人工智能 (AI) 工作流程,用于监测肺癌患者的胸肌区域变化.
• 为了使用CBCT图像进行精确的,时间解决的放射治疗期间肌肉质量损失的评估.
• 为在瘤学中建立早期缓解症干预策略奠定基础.

主要方法:

• 开发了一个人工智能工作流程,涉及使用CycleGAN和CUT深度学习模型将CBCT转换为CT,然后使用nnU-Net进行胸部肌肉细分.
• 在CBCT到合成CT (sCT) 图像生成中使用了未配对的训练.
• 基于蒙特卡洛脱落的不确定性度量 (UM) 已开发出来,用于评估没有地面真相标签的细分性能.

主要成果:

• 循环GAN和CUT模型有效地恢复了Hounsfield单元的真实性,并减少了CBCT图像中的文物,生成了高质量的合成CT (sCT) 图像.
• nnU-Net模型实现了高细分精度,分别为CT,sCT和CBCT图像的Dice相似系数 (DSC) 为0.93,0.94和0.92.
• 开发的UM显示出与DSC有很强的相关性,验证了其在评估细分可靠性的实用性.

结论:

• 这项研究提出了一个人工智能驱动系统的概念证明,通过CBCT自动监测肺癌患者的胸肌区域.
• 工作流提供高时间分辨率,用于跟踪在缓解症期间的肌肉质量损失.
• 这种人工智能方法具有早期缓解症干预的巨大潜力,有可能改善肺癌治疗患者的结果.