使用深度学习网络用于宫癌放射治疗的临床目标体积 (CTV) 自动划分:一项具有外部验证的研究
Zhe Wu1,2, Dong Wang3, Cheng Xu4
1Department of Digital Medicine, School of Biomedical Engineering and Medical Imaging, Army Medical University (Third Military Medical University), Chongqing, China.
Journal of applied clinical medical physics
|October 14, 2024
概括
一个新的深度学习算法ResCANet准确地划分了宫癌放射治疗的临床目标体积,显著减少了手动划分时间. 这种人工智能工具表现出强大的通用性,即使在子宫内膜癌病例中也表现良好.
科学领域:
- 放射治疗和医学成像技术
- 在瘤学中使用人工智能
- 癌症治疗计划 癌症治疗计划
背景情况:
- 准确的临床目标体积 (CTV) 划分对于宫癌有效的放射治疗至关重要.
- 手动划分是耗时的,并且受观察者之间的变化影响.
- 深度学习 (DL) 提供了自动化和标准化这一过程的潜力.
研究的目的:
- 评估一种新的深度学习 (DL) 算法ResCANet的准确性和可行性,用于宫癌放射治疗中的CTV划分.
- 评估ResCANet在外部宫癌和子宫内膜癌数据集中的概括能力.
主要方法:
- 开发了ResCANet,这是一个基于ResNet-UNet的DL模型,具有级联多尺度卷积和atrous空间金字塔聚合.
- 该模型在236例子宫癌病例 (5倍交叉验证) 上进行了训练和验证.
- 对54例子宫癌和42例子宫内膜癌患者进行了外部验证,将DL划分与手动轮进行比较,使用子相似系数 (DSC),灵敏度 (SEN),正预测值 (PPV) 和95%豪斯多夫距离 (95HD).
主要成果:
- 内部验证显示平均DSC为74.8%,SEN为81.5%,PPV为73.5%,95HD为10.5mm.
- 外部验证结果相似:宫癌 (DSC 73.4%,SEN 72.9%,PPV 75.3%,95HD 12.5毫米) 和子宫内膜癌 (DSC 77.1%,SEN 81.1%,PPV 75.5%,95HD 10.3毫米).
- 大约85%使用DL辅助划线的病例需要轻微修改或不需要修改,划线时间减少到30分钟以下.
结论:
- 拟议的ResCANet算法证明了在宫癌放射治疗中自动CTV划分的高准确性和可行性.
- 该模型具有出色的概括性,在子宫内膜癌病例中也表现得很好.
- 基于DL的自动划分,如ResCANet所实施的那样,可以提高放射治疗规划的效率和一致性,而不会影响质量.
