基于深度学习的自动轮质量保证,用于自动细分的腹部MR-Linac轮
Mohammad Zarenia1,2, Ying Zhang1,3, Christina Sarosiek1
1Department of Radiation Oncology, Medical College of Wisconsin, Milwaukee, WI, United States of America.
Physics in medicine and biology
|October 16, 2024
概括
新的3D深度学习模型准确地评估了用于放射治疗的腹部MRI中自分割轮的质量. 这项技术改善了MR导向适应性放射治疗的轮评估,增强了临床工作流程.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 深度学习自行细分 (DLAS) 旨在简化临床环境中的轮,但在腹部MRI中面临着MRI指导在线自适应性放射治疗 (MRgOART) 的挑战.
- 自动轮质量保证 (ACQA) 与自动轮校正 (ACC) 集成,可以通过专注于不准确的轮来优化ACC性能.
- ACQA有助于从各种DLAS工具中选择轮,或从以前的会议中传播轮.
研究的目的:
- 介绍基于3D深度学习的新型ACQA模型的性能,用于在MRgOART期间评估腹部MRI中的DLAS轮.
- 评估这些模型在识别可接受与编辑所需的轮以及检测假阳性/假阴性的准确性.
主要方法:
- 一个3D卷积神经网络 (CNN) ACQA模型从腹部MRI (1.5 T MR-Linac) 训练了胰腺和十二指肠轮.
- 培训数据集包括103个腹部MRI图像数据集,其中包括DL轮和质量评级.
- 一个内部工具将轮分类为可接受或需要编辑的轮,并且在34个独立数据集上使用混矩阵评估了模型性能.
主要成果:
- 该ACQA模型在预测轮质量方面取得了很高的准确性:可接受的72.2%和编辑所需的胰腺轮的83.6%;可接受的71.2%和编辑所需的十二指肠轮的89.6%.
- 该模型在识别虚假阳性和虚假阴性DLAS轮方面表现出强的表现:胰腺分别为93.75%和99.7%,十二指肠分别为95%和98.9%.
结论:
- 开发的3D ACQA模型有效地评估了腹部MRI上DLAS胰腺和十二指肠轮的质量.
- 这些模型可以集成到临床工作流程中,以简化腹部恶性瘤中MRgOART的轮评估.
- ACQA模型有助于有效和一致的轮评估,支持适应性放射治疗的进步.
