在CBCT图像上基于深度学习的头部和部器官风险细分,并对放射治疗进行剂量测量评估
Lucía Cubero1,2, Cédric Hémon2, Anaïs Barateau2
1Departamento de Bioingeniería, Universidad Carlos III de Madrid, Madrid, Spain.
Physics in medicine and biology
|March 11, 2025
概括
这项研究开发了一个框架,用于对形束计算机断层扫描 (CBCT) 图像上的风险器官进行细分,用于头癌放射治疗. 深度学习模型取得了临床相关的结果,促进了治疗重新规划.
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:
- 形束计算断层扫描 (CBCT) 对于头癌 (HNC) 放射治疗 (RT) 是至关重要的.
- 在CBCT上对有风险的器官 (OAR) 的自动细分有助于重新规划治疗,但由于图像质量和数据限制而具有挑战性.
- 深度学习 (DL) 模型需要大型注释数据集,而这些数据集在CBCT中很少.
研究的目的:
- 在CBCT图像上开发一个全面的框架来对25个头部和部OAR进行细分.
- 为了促进HNC放射治疗中的加速治疗重新规划.
- 为了应对使用DL在CBCT上OAR细分的挑战.
主要方法:
- 完善了CT图像上OAR细分的现有框架.
- 在CBCT衍生的合成CT (sCT) 图像上训练了一个DL模型,使用CT衍生的轮作为基底真相.
- 集成的高对比度CT信息和sCT纹理功能用于细分.
- 通过对外部队列的剂量分析验证了sCT细分的临床相关性.
主要成果:
- 对于大多数OAR,DL框架实现了Dice得分系数超过70%.
- 平均表面距离为CT的1.30mm和sCT的1.27mm.
- 剂量测量分析显示,CT和sCT细分之间的平均剂量和D2 (%) 值在CT和sCT细分之间有很强的一致性,大多数OAR的差异非显著.
结论:
- 开发的框架证明了基于DL的OAR细分在CT和CBCT上的可行性.
- 这些结果支持自动化OAR细分对于HNC RT重新规划的临床相关性.
- 这种方法可以加速和提高放射治疗治疗的效率.
