基于磁共振成像的深度学习框架,用于在妇科癌症风险中的器官的基于磁共振成像的细分
Reza Kalantar1,2, Manasi Ingle1,2, Romelie Rieu1,2
1The Institute of Cancer Research, London, United Kingdom.
Advances in radiation oncology
|April 1, 2025
概括
一个新的深度学习框架可以创建用于放射治疗的合成MRI图像,从而提高适应性治疗中的器官细分精度. 这项技术提高了轮接受率,可能减少治疗时间和临床医生的工作量.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 精确的器官细分对于使用磁共振成像 (MRI) 的适应性辐射疗法 (RT) 至关重要.
- 数据的有限可用性阻碍了对MR-linacs (MRLs) 等MRI导向RT系统的稳健细分模型的开发.
研究的目的:
- 开发一种合成MRI辅助的深度学习框架,用于MRL图像上的风险器官细分.
- 建立一个细分的基线,并使域调整用于自动划分在自适应RT.
主要方法:
- 一个循环一致的生成对抗网络从CT数据中合成了MRI图像.
- 在MRL图像上训练了6个有风险的器官的域适应性细分网络.
- 按分数适应使用先前治疗数据增强了解剖学一致性.
主要成果:
- 合成MRI辅助模型显著改善了MRL图像上的风险器官细分精度.
- 分数适应的轮显示出高度的解剖学真实性,辐射瘤学家的接受率为100%和98%.
结论:
- 这一框架弥合了CT和MRI之间的数据差距,促进了自适应RT.
- 这种方法有望减少治疗时间和临床医生的负担,其潜在应用超出了妇科癌症.
