自动细分用于磁共振成像指导的个人选择性淋巴结辐射在头癌患者的自动细分

科学领域:

• 放射学 放射学是指放射学
• 医疗成像医学成像
• 在瘤学中使用人工智能

背景情况:

• 头部和部状细胞癌 (HNSCC) 的治疗通常涉及放射治疗.
• 降低风险器官的辐射剂量对于最大限度地减少副作用至关重要.
• 选择性部辐射可以通过准单个淋巴结来精细化,但手动细分是费力和易出错的.

研究的目的:

• 开发和评估一种自动磁共振成像 (MRI) 分段方法,用于HNSCC患者的单个淋巴结.
• 评估卷积神经网络 (CNN) 的性能,以精确划分淋巴结.

主要方法:

• 一个3D CNN (nnU-Net) 在40名HNSCC患者的MRI手动细分淋巴结上受训.
• 在10名HNSCC患者身上测试了CNN模型,使用子相似系数 (DSC),回忆,精度和F1得分来评估性能.
• 转移学习被用来在第二个医疗中心使用额外的患者数据重新训练和验证CNN.

主要成果:

• nnU-Net模型实现了0.72的中位数DSC,0.76的回忆,0.78的精度和0.78的F1得分,用于自动淋巴结细分.
• 与由两个观察者进行的手动细分相比,CNN的回忆率显著更高 (p=0.002).
• 在对少数患者 (5-10) 进行重新培训后,成功地将模型转移到另一个医疗中心.

结论:

• 卷积神经网络,特别是nnU-Net,可以在MRI上准确地和自动地分割单个淋巴结.
• 自动化方法提供了比手动细分更好的淋巴结检测率,可能优化放射治疗计划.
• 模式再培训对于在不同医疗中心成功实施至关重要.