互视框架:用于头部和部自动细分的增强微调深度学习策略
Byongsu Choi1,2,3, Chris J Beltran1, Sang Kyun Yoo2,3
1Department of Radiation Oncology, Mayo Clinic, Jacksonville, FL 32224, USA.
Journal of personalized medicine
|September 28, 2024
概括
本研究介绍了InterVision框架,增强了基于深度学习的适应性放射治疗 (ART) 的细分. 这种新的方法通过生成患者特定的中间图像来提高轮精度,克服了临床实施中的数据限制.
科学领域:
- 医学物理 医学物理
- 放射治疗瘤学 放射治疗瘤学
- 人工智能在医学中的应用
背景情况:
- 适应性放射治疗 (ART) 旨在通过调整治疗计划以适应解剖变化,精确地向瘤和节省器官.
- 目前的ART工作流程在实时实施方面面临挑战,原因是手动重构和时间限制.
- 基于深度学习的细分 (DLS) 显示出对轮自动化的承诺,但需要广泛的,高质量的数据集来实现概括性.
研究的目的:
- 开发和评估InterVision框架,以改善基于深度学习的适应性放射治疗中的细分精度.
- 为应对临床ART环境中DLS有限的高质量数据集的挑战.
- 通过结合患者特定特征来提高细分模型的概括性和性能.
主要方法:
- InterVision框架使用可变形矢量生成现有患者扫描之间的中间图像,以捕捉独特的解剖变异.
- 采用了两步培训过程:首先,对数据集进行了一般模型培训,然后使用InterVision框架生成的数据进行了微调.
- 细分模型使用体积子相似系数 (VDSC) 和豪斯多夫距离95% (HD95) 对20名患者的18个结构进行了评估.
主要成果:
- 与一般模型 (0.81 ± 0.05) 和一般微调模型 (0.82 ± 0.04) 相比,InterVision模型获得了更高的子得分 (0.85 ± 0.03).
- 与一般模型 (3.06 ± 1.13) 和一般微调模型 (2.81 ± 0.77) 相比,InterVision模型显示了较低的豪斯多夫距离 (2.52 ± 0.50).
- InterVision框架显著提高了细分的准确性,特别是在复杂的器官和目标.
结论:
- 通过创建更全面的,针对患者的数据集,InterVision框架提供了一种多功能和有效的方法来增强ART的DLS.
- 该方法解决了在动态辐射疗法环境中对准确和高效的自我细分的关键需求.
- 国际视觉框架显示了在医疗成像中更广泛的应用的潜力,在此之前的信息可用.
