不确定性引导的多任务半监督网络用于乳腺癌CBCT的多器官细分

科学领域:

• 医疗成像医学成像
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 对风险器官 (OAR) 和临床目标体积 (CTV) 的准确划分对于适应性放射治疗 (ART) 至关重要.
• 圆束计算断层扫描 (CBCT) 是放射治疗 (RT) 中一种易于使用的成像方式.

研究的目的:

• 为乳腺癌开发一种有效的CBCT指导的划分方法.ART.
• 为了提高CBCT图像上的CTV和OAR的细分精度.

主要方法:

• 开发了一个以不确定性为导向的多任务半监督网络 (UGMNet),利用60名乳腺癌患者的60张计划CT和330张CBCT图像.
• UGMNet采用任务内部一致性学习和分支网络,用于区域级形状和边界级距离信息.
• 训练有素的UGMNet使用20%的标记和大量的未标记数据来创建一个通用模型 (Ours-G),然后为个性化模型 (Ours-P) 微调.

主要成果:

• 与传统的半监督方法 (UA-MT,DTC,MC-Net+) 相比,UGMNet实现了优越或同等的细分性能.
• 对于CTV划分,Ours-P实现了0.87的平均子相似系数 (DSC),表现优于其他人.
• 我们的P还显示了心脏 (0.89),左肺 (0.92),右肺 (0.96) 和脊髓 (0.80) 等器官的高平均DSC值.

结论:

• 拟议的UGMNet方法使有效的CBCT引导的ART划分能够使用最小的标记数据.
• 使用UGMNet的个性化建模显著提高了CBCT图像上的CTV和OAR的细分精度.
• 这种方法为提高乳腺癌适应性放射治疗的精度提供了一个有希望的解决方案.