TriSwinUNETR叶片细分模型用于计算无DIR的CT通风

科学领域:

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

背景情况:

• 功能性放射治疗旨在避免高通风的肺部区域受到高剂量的辐射.
• 目前的CT通风成像 (CTVI) 方法通常依赖于可变形图像注册 (DIR),这可能会引入不准确性.
• 精确的肺叶细分对于精确的CTVI和放射治疗规划至关重要.

研究的目的:

• 开发和验证一种人工智能驱动的方法,用于使用肺叶细分计算CTVI,从而消除了对DIR的需求.
• 假设人工智能驱动的叶片细分可以准确地确定CTVI的肺体积变化.
• 为了利用一个新的TriSwinUNETR管道进行叶片细分和随后的CTVI计算.

主要方法:

• 一个新的叶片细分管道,TriSwinUNETR,采用三个在广泛的CT图像数据 (COPDGene研究) 上训练的SwinUNETR网络.
• 管道将单个肺叶从吸入/呼出CT对分割,以计算呼吸引起的体积变化.
• 验证涉及使用LUNA16数据集对细分精度进行比较,并评估肺癌患者中PET-Galligas通风与CTVI相关性.

主要成果:

• TriSwinUNETR在叶片细分方面获得了93.72%的最先进的平均子得分,超过了以前的基准.
• 来自AI细分的叶片的CTVI计算显示,PET-Galligas通风的Spearman相关系数中位数为0.9.
• 在19名患者中,13名患者在基于AI的CTVI和PET-Galligas通风之间显示出强烈的一致性 (相关性≥0.5).

结论:

• TriSwinUNETR管道为CTVI提供了卓越的叶片细分精度.
• 基于细分的CTVI显示出与已建立的PET-Galligas通风成像有很强的一致性.
• 这种人工智能驱动的方法减少了对DIR的依赖,提供了可解释的结果,并促进了放射治疗计划的质量保证.