基于机器学习的自动细分方法在胃癌治疗规划中的定性,定量和剂量评估

科学领域:

• 医疗成像医学成像
• 辐射瘤学 辐射瘤学
• 机器学习 机器学习

背景情况:

• 对有风险的器官 (OAR) 和目标体积的准确细分对于在胃癌中有效的放射治疗规划至关重要.
• 手动划分是耗时的,并且受观察者之间的变化影响.

研究的目的:

• 评估基于机器学习 (ML) 的OAR细分技术在胃癌放射治疗中的性能.
• 与手动划分相比,评估ML衍生轮的临床可接受性和剂量计影响.

主要方法:

• 18名胃癌患者在CT扫描上进行了目标和OAR的手动轮.
• 一个ML算法自动细分OARs (肺,脏,肝脏,脏,脊髓).
• 放射瘤学家审查和编辑ML轮;计算了子相似系数 (DSC),雅卡德得分 (JS),灵敏度和精度. 使用手动和ML轮生成体积调节弧度疗法 (VMAT) 计划,并比较剂量计参数.

主要成果:

• 通过ML生成的轮显示高准确度,平均DSC (0.91-0.97) 和JS (0.84-0.94).
• 34.1%的ML轮需要进行微小编辑,主要是出于风格原因.
• 对于18个参数中的15个,没有观察到使用手工轮创建的图案和使用编辑的ML轮创建的图案之间的显著剂量测量差异 (p > 0.05).

结论:

• 基于ML的细分方法在胃癌放射治疗规划中临床上是可以接受的.
• 该方法表现出高精度和最小的剂量计影响,支持其融入临床工作流程.