在放射治疗期间通过深度学习对人类切伦科夫成像中的生物形态特征进行强大的实时细分
Shiru Wang1, Yao Chen1, Lesley A Jarvis2
1Thayer School of Engineering, Dartmouth College, Hanover, NH 03755 USA.
ArXiv
|September 24, 2024
概括
这项研究引入了一个深度学习框架,用于在放射治疗 (RT) 期间实时切伦科夫成像分析. 它能够快速,准确地对患者特定的生物形态特征进行细分,以提高治疗精度.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 切伦科夫成像可视化了实时的辐射传递.
- 患者特定的生物形态特征 (例如血管结构) 对于精确的放射治疗 (RT) 是至关重要的.
- 传统的图像处理用于特征细分是缓慢的,缺乏准确性.
研究的目的:
- 开发第一个深度学习框架,用于切伦科夫图像中的实时生物形态特征细分.
- 为了使患者的定位验证和运动管理在RT.
- 克服缓慢和不准确的传统细分方法的局限性.
主要方法:
- 预先训练了一个ResNet细分框架,使用一个带有船只注释的大型 fundus 摄影数据集.
- 应用了转移学习,在一个较小的切伦科夫图像数据集上微调模型,并注释了血管系统.
- 深度学习框架在19名乳腺癌患者身上进行了测试.
主要成果:
- 该框架实现了视频率处理,每个实例的细分在不到0.7毫秒的时间内完成.
- 证明了高分段精度,平均子得分为0.85.
- 在各种患者图像中实现了血管,痕和色素皮肤等特征的一致和快速细分.
结论:
- 开发的深度学习框架为放射治疗中的在线实时监测提供了基础.
- 与手动细分相比,这种方法显著提高了速度和一致性.
- 允许在RT期间提高患者定位和运动管理的精度.
