走向基于U-Net的高剂量率前列腺支架治疗中的术内二维剂量预测
Eric Knull1, Christopher W Smith2, Aaron D Ward3
1Robarts Research Institute, Western University, London, Ontario, Canada.
Brachytherapy
|December 12, 2024
概括
机器学习模型在超声波图像上准确地预测前列腺高剂量率支架疗法 (HDR-BT) 剂量,从而能够实时反针放置质量,以改善治疗结果.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 在前列腺高剂量率支臂疗法 (HDR-BT) 中,次优剂量测量通常是由于针位置差.
- 在HDR-BT过程中预测针安置的剂量影响是具有挑战性的,阻碍了高质量的治疗的广泛采用.
研究的目的:
- 开发和评估机器学习模型,用于预测前列腺HDR-BT中的2D剂量测量.
- 通过使用轴向横直肠超声波 (TRUS) 图像,为针头植入质量提供快速的,手术期间的反.
主要方法:
- 对248名前列腺HDR-BT患者的治疗计划进行了回顾性分析.
- 训练15个U-Net模型来预测前列腺区域 (底部,中腺,顶部) 的异位剂水平 (90%200%).
- 使用子相似系数 (DSC),精度,回忆,表面距离和豪斯多夫距离进行评估,与重新计划的案例进行基准测试.
主要成果:
- U-Net模型实现了高精度,中位数DSC为0.97,用于中腺90%的异位剂量.
- 性能随着异位剂水平的提高而下降,并且在前列腺区域之间有所不同 (例如,200%异位剂的中位数DSC为0.630.65).
- 预测时间的中位数是快速的25ms,适合实时应用.
结论:
- U-Net模型在2D TRUS图像上准确地预测HDR-BT同剂量线,速度足以用于手术内.
- 这些自动细分算法的集成可以实时反针植入质量.
- 这项技术有可能提高前列腺HDR-BT的质量和可访问性.
