开发和外部验证多任务功能融合网络用于CTV细分在宫癌放射治疗中的CTV细分

科学领域:

• 医疗成像医学成像
• 放射治疗瘤学 放射治疗瘤学
• 人工智能在医学中的应用

背景情况:

• 准确的临床目标体积 (CTV) 分段对于有效的宫癌放射治疗至关重要.
• 在CTV细分方面的挑战包括微观瘤扩散,低器官对比度和观察者之间的变异性.
• 自动细分可以减少瘤学家的工作量,但需要高精度.

研究的目的:

• 开发和验证多任务功能融合网络 (MTF-Net) 以提高宫癌中CTV细分精度.
• 解决目前使用基于距离信息的自动化细分方法的局限性.
• 改进目标划分,以优化辐射剂量传递.

主要方法:

• 开发了一种双分支,端到端的MTF-Net,具有共享的编码器和两个解码器,用于距离地图和CTV面罩生成.
• 引入了一个距离信息注意力融合模块,将距离特征集成到CTV细分过程中.
• 验证了在多中心数据集上的模型,用于内部和独立的外部测试,比较性能与商业软件.

主要成果:

• 在MTF-Net中,平均Dice得分为84.67% (内部测试) 和77.51% (外部测试).
• 在子得分,正预测值和95%的豪斯多夫距离方面表现优于商业软件.
• 显示了在临床环境中精确界定目标的潜力.

结论:

• MTF-Net代表了宫癌放射治疗的自动化CTV细分的重大进展.
• 该模型的性能表明其潜在的临床实用性和改善放射治疗计划的有效性.
• 进一步验证可能会证实MTF-Net是瘤学家的宝贵工具.