使用计算机断层扫描 (IMPACT) 进行基于图像的下和上分片和注释:基于深度学习的临床工具,用于口腔剂量估计和骨质放射性死的评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 辐射瘤学 辐射瘤学

背景情况:

• 在CT图像上精确地划分器牙结构对于放射治疗规划和牙科治疗决策至关重要.
• 目前的方法需要手动细分,这是耗时的,容易引起观察者之间的变化.
• 克林拉德ORN分期系统为分类辐射诱导骨硬化提供了一个框架.

研究的目的:

• 开发和评估一个深度学习 (DL) 自动细分框架,用于单个牙和下/上子体.
• 为了使细分与ClinRad ORN分期系统保持一致,以提高临床适用性.
• 评估基于DL的细分与手动细分的剂量学影响.

主要方法:

• 使用Swin UNETR和ResUNet模型开发了一个DL自动细分框架.
• 大和大的子体积是手动定义的,区分了膜和基底区域.
• 对于较小的结构,如牙和部子体积,采用了双阶段细分方法.
• 进行了细分精度,几何精度和剂量测量比较.

主要成果:

• DL框架在不同的牙结构中实现了不同的细分性能,平均Dice值在0.69到0.85.5之间.
• 该模型在对细分牙和数据集中经常缺少的子体积的应用上显示出有限的适用性.
• 统计学上显著的剂量测量差异仅在大膜中央子体积 (p=0.02) 中观察到.

结论:

• 介绍了一种基于DL的用于器械牙结构的新型自动细分框架.
• 这种工具可以空间定位大中与剂量相关的差异,增强基于图像的骨损伤检测,包括骨质放射性缩 (ORN).
• 该框架有可能改善头癌患者的放射瘤学和牙科护理的临床决策.