在基于多解码器和半监督学习和临床应用的小样本中自动划分宫癌目标体积

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:

• 准确的目标体积划分对于有效的宫癌放射治疗至关重要.
• 对于自动细分的深度学习模型通常需要大型数据集,限制它们在较小中心的使用.

研究的目的:

• 开发和评估一个多解码器和半监督学习 (MDSSL) 自动细分算法,用于使用小样本大小的宫癌目标体积.
• 评估算法的性能与监督学习 (SL) 和转移学习 (TL) 方法相比.
• 在线适应性放射治疗 (ART) 工作流程中评估算法的效率.

主要方法:

• 追溯收集了71个盆腔宫癌CT数据集.
• 开发一个基于3D U-Net的MDSSL网络,包含临床解剖信息.
• 使用子相似系数 (DSC),95%的豪斯多夫距离 (HD95) 和平均表面距离 (ASD) 的MDSSL与SL和TL模型的比较.
• 在线ART对几何指标和放射瘤学家 (RO) 主观评估的前性评估.

主要成果:

• 与SL和TL模型相比,MDSSL模型表现出更高的性能 (更高的DSC,更低的HD95和ASD).
• 针对MDSSL的特定性能指标包括在不同的目标卷 (CTV1,CTV2,GTVp) 中的0.80-0.85的DSC.
• 在未来的在线ART中,MDSSL将目标体积修改时间 (MTime) 缩短到2-5分钟,提高了工作流效率.

结论:

• MDSSL算法有效地提高了在小型数据集中对宫癌目标体积的自动细分精度.
• MDSSL模型与放射瘤学家的界定有很好的一致性,并且符合临床要求.
• 通过减少划分时间,MDSSL方法提高了在线ART的效率,支持其在临床实践中的采用.