在适应性辐射疗法期间,使用患者治疗前成像进行头部和部自分化的一般模型
Brett Clark1,2, Nicholas Hardcastle2,3,4, Mathieu Gaudreault2,4
1Department of Biomedical Engineering, University of Melbourne, Melbourne, Australia.
Medical physics
|March 7, 2025
概括
通过在推断时间包括治疗前数据,改进了自适应性辐射疗法 (ART) 的自细分. 这种通用适应模型 (GAM) 提高了头癌患者的准确性,而不需要昂贵的再培训.
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:
- 头部 (HN) 辐射疗法需要适应性辐射疗法 (ART),因为在治疗过程中发生了解剖变化.
- 通过调整治疗计划,ART确保向瘤和有风险的器官 (OAR) 提供准确的辐射.
- 深度学习 (DL) 模型可以利用治疗前数据来改善治疗中期的自动细分.
研究的目的:
- 为了研究在ART中包括DL自细分模型的推理时间前处理数据的影响.
- 评估是否包括推断时间数据可以消除对新患者队列重新培训模型的需求.
主要方法:
- 开发了一个通用适应模型 (GAM),将预处理数据纳入推理.
- 与使用治疗前数据训练的患者特定模型 (PSM) 和没有治疗前数据的参考模型 (RM) 进行了GAM比较.
- 从接受ART的110名HN癌症患者的CT图像和细分标签 (GTVp和16个OAR) 上评估模型.
主要成果:
- GAM表现出比PSM和RM更好的自我细分性能,特别是在GTVp和手臂上.
- 对于大多数结构,GAM实现了与刚性图像注册 (RR) 相当的性能.
- 在大脑干,下和脊髓方面,GAM的表现优于RR.
结论:
- 在DL推断时间 (GAM) 纳入治疗前数据可以提高HN ART的自分区精度.
- GAM提供了一种解决方案,可以提高性能,而无需为新患者队伍进行昂贵的计算再培训.
- 严格的注册仍然是GTVp和大多数OAR在ART中的细分的一个有竞争力的替代方案.
更多相关视频
08:25Radiation Planning Assistant - A Streamlined, Fully Automated Radiotherapy Treatment Planning System
Published on: April 11, 2018
15.3K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
