在4DCBCT的帮助下,验证了针对患者的深度学习无标记肺瘤跟踪

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 精确的肺瘤定位对于有效的放射疗法至关重要,需要精确的运动管理来减少边缘并保留健康组织.
• 目前用于瘤跟踪的方法可能是有限的,需要先进的技术来提高准确性和效率.

研究的目的:

• 开发和验证一种系统方法,在形束计算机断层扫描 (CBCT) 投影上自动生成瘤细分基底真相 (GT).
• 通过使用生成的GT. 改进和验证基于AI的患者特定瘤定位模型.

主要方法:

• 为GT生成开发了一个4D CBCT辅助管道,涉及呼吸阶段提取,4D CBCT重建,手动细分,可变形轮传播和向前投影.
• 使用CBCT投影改进了一种视网膜U-Net模型,并在大量数字重建的放射图数据集上进行预训练,以便自动划分瘤.
• 在独立的患者数据上使用质量中心误差和Dice相似系数来评估跟踪准确性.

主要成果:

• 精细的AI模型实现了2.3 ± 0.9毫米的平均质量中心误差和0.83 ± 0.06的平均子相似系数,用于特定的角度范围.
• 该系统展示了实时性能,平均推断时间为68ms/frame.
• 观察到患者特定培训细分损失和细分性能之间存在相关性.

结论:

• 拟议的4D CBCT辅助方法使患者特定的,实时的,无标记的肺瘤跟踪成为可能.
• 这种方法提供了一种有效的手段来产生基本真相,这对于完善放射治疗中的AI模型至关重要.
• 这些发现支持了通过增强瘤局部化和运动管理来改善肺癌治疗的潜力.