个性化的深度学习自分区模型用于适应式分断磁共振引导的腹部辐射疗法

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 分割式MR指导放射治疗 (MRgRT) 中手动轮是耗时的.
• 传统的深度学习自分区模型可能对MRgRT不足,因为缺乏患者特定数据集成.

研究的目的:

• 调查MRgRT的患者特异性 (PS) 自分类方法.
• 利用专家细分规划和先前分数MRI图像来提高连续治疗日的自动细分精度.

主要方法:

• 在107计划MRI上训练了人口基线模型 (BMs),用于细分腹部器官.
• 通过微调BM来开发PS模型,并计划MRI并通过分数MRI持续更新.
• 使用子相似系数 (DSC) 和豪斯多夫距离 (HD95) 评估模型,由放射瘤学家进行定性评估.

主要成果:

• 特定于患者的模型,特别是那些持续更新的模型,表现出比BMs更优越的几何性能.
• 模型实现了最佳的定性轮评估,被认为可用于治疗适应.
• BMs和$模型显示了可比的DSC和HD,但$ 模型表现优于BMs.$$

结论:

• 在MRgRT中,个性化的自动细分模型显著优于基于人口的模型.
• 这种方法提供了直接可用的划分,可能在分成部分的治疗过程中节省大量的时间.