针对大脑转移的磁共振成像引导的自适应性放射疗法的个性化自细分
Yuchao Ma1, Xiangyu Ma1, Canjun Li1
1Department of Radiation Oncology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences (CAMS) and Peking Union Medical College (PUMC), Beijing, China.
概括
一个个性化的深度学习自细分 (DLAS) 模型可以提高磁共振引导自适应放射治疗 (MRgART) 期间大脑转移的手动划分的准确性和效率. 这种人工智能驱动的方法优化了治疗工作流程,以获得更好的患者结果.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 磁共振导向适应性放射治疗 (MRgART) 显示出治疗大脑转移 (BMs) (≥2厘米) 的前景.
- 优化MRgART的工作流程,特别是大骨质瘤的划分,对于治疗有效性至关重要.
- 这项研究解决了在MRgART工作流程中改进大型BM的在线划分的需求.
研究的目的:
- 开发和评估一个两个阶段的,个性化的深度学习自动细分 (DLAS) 模型.
- 在MRgART期间协助在线划分大脑转移.
- 为了提高大型BM的MRgART工作流程的准确性和效率.
主要方法:
- 一个基本的DLAS模型使用177个BM的多序图像进行训练.
- 在一项前性试验中,使用20个大型骨的741张每日在线MRI图像开发了一个个性化的DLAS模型.
- 在8名患者中,使用子相似系数 (DSC) 评估性能,并与手动划分 (MD) 和DLAS辅助划分 (DLAS-AD) 进行比较.
主要成果:
- 个性化的DLAS模型实现了0.90的平均DSC,在最终处理分数期间超过了基本模型 (0.86) 和刚性注册 (0.88).
- 与手动划分 (MD) 相比,DLAS辅助划分 (DLAS-AD) 显著提高了轮精度 (平均DSC 0.89), (平均DSC 0.85,p=0.001).
- DLAS-AD减少了53.5%的轮时间 (193s与424s相比,p<0.001).
结论:
- 一个个性化的DLAS模型可以显著提高MRgART中大脑转移划分的准确性.
- DLAS模型简化了MRgART工作流程,提高了治疗大脑转移的效率.
- 这种人工智能驱动的方法有可能优化MRgART用于大型BMs.
