在乳腺癌放射治疗中,针对瘤床细分的先前信息引导深度学习模型
Peng Huang1, Hui Yan1, Jiawen Shang1
1Department of Radiation Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100021, China.
BMC medical imaging
|November 18, 2024
概括
一个深度学习模型使用手术前和手术后的CT扫描精确地对手术后的瘤床 (TB) 进行细分. 这通过精确识别剩余瘤腔改善了放射治疗的规划.
科学领域:
- 医疗成像医学成像
- 放射治疗规划 放射治疗规划
- 人工智能在医学中的应用
背景情况:
- 在CT扫描上准确地划定瘤床 (TB) 是乳房保护手术后放射治疗计划的关键.
- 由于手术改变和低对比度,结核病的细分具有挑战性,目前的片等方法提供有限的指导.
- 深度学习模型可以通过结合先前的瘤位置信息来增强结核病细分.
研究的目的:
- 开发和评估一种深度学习模型,用于在术后CT扫描上精确细分瘤床.
- 通过利用手术前和手术后的瘤信息,提高放射治疗临床目标体积生成的准确性.
- 克服传统方法在具有挑战性的成像条件下识别瘤床的局限性.
主要方法:
- 开发了一种深度学习模型,使用先前的瘤位置对瘤床 (TB) 进行细分.
- 术前瘤轮由医生划定,并使用可变形图像注册转化为术后CT扫描.
- 原始和转变的瘤区域都被用作深度学习模型的输入来预测结核病区域.
主要成果:
- 结合先前瘤轮信息的深度学习模型实现了0.812的显著改善的子相似系数 (DSC).
- 这种表现明显优于没有先前信息的模型 (DSC=0.520,P=0.001).
- 拟议的方法也超过了传统的灰色水平值 (DSC=0.633,P=0.0005).
结论:
- 术前和术后CT扫描的先前瘤轮为精确的瘤床定位提供了宝贵的信息.
- 拟议的深度学习方法提供了一种可行和有效的方法,以协助用于放射治疗规划的瘤床的自动细分.
- 这项技术提高了手术后接受放射治疗的乳腺癌患者治疗计划的准确性和效率.
