以先前知识为导向的U-Net用于自动临床目标体积细分在乳腺切除术后的乳腺癌辐射治疗中

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 准确的临床目标体积 (CTV) 分段对于乳腺切除术后乳腺癌患者的有效放射治疗至关重要.
• 传统的手动轮是耗时的,容易引起观察者之间的变化.
• 深度学习方法为自动化CTV细分提供了潜力,但通常需要大量的训练数据,并与复杂的解剖变异作斗争.

研究的目的:

• 设计和评估一种新的以先前知识为导向的U-Net (PK-UNet),用于自动化的CTV细分.
• 提高乳房切除术后放射治疗中CTV划线的准确性和效率.
• 将先前的医学知识整合到深度学习框架中,以应对细分挑战.

主要方法:

• 102个计算机断层扫描 (CT) 扫描从乳腺切除术后的乳腺癌患者的回顾性收集.
• 开发一个两阶段的PK-UNet模型,其中包含一个本地化网络,用于预先生成知识.
• 使用子相似系数 (DSC),豪斯多夫距离和表面距离指标进行定量评估.
• 放射瘤学家的临床评估和手动校正时间的评估.

主要成果:

• PK-UNet实现了0.90±0.02的平均DSC,显著超过其他最先进的方法 (P < .01).
• 临床评估显示,81.8%的PK-UNet轮是可以接受的,在具有挑战性的地区有显著改善.
• 平均手动校正时间减少了94.4%,从18.20分钟减少到1.02分钟.

结论:

• 该PK-UNet模型代表了先进的整合先前的医学知识到放射治疗的深度学习.
• 这种方法有效地解决了乳房切除术后患者的CTV细分挑战.
• PK-UNet显著提高了辐射瘤学的临床工作流程效率和准确性.