开源的深度学习模型用于对前列腺和妇科高剂量速率支架疗法的正常结构进行细分:架构的比较

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射治疗规划 放射治疗规划

背景情况:

• 深度学习自动轮越来越多地用于治疗规划.
• 缺乏高剂量率 (HDR) 支臂治疗的多样化,大规模数据集,阻碍了模型的性能.
• 现有的模型在HDR植入图像上表现不佳.

研究的目的:

• 实施和评估自动器官处于风险 (OARs) 细分模型.
• 模型的目的是用于计算机断层扫描 (CT) 引导的HDR支臂疗法规划.
• 专注于妇科和前列腺癌治疗计划.

主要方法:

• 在1105名HDR患者 (2017-2024) 的1316个CT扫描上训练了UNet++和nnU-Net模型.
• 利用来自六台CT扫描仪的数据,包括一个易于发现文物的移动单元.
• 在100个独立的CT扫描中使用Dice-Similarity-Coefficient (DSC) 和盲目专家审查评估模型.

主要成果:

• 膀和直肠模型的3D DSC中位数在0.95-0.96 (UNet++) 和0.87-0.88 (nnU-Net) 之间.
• 在UNet++和nnU-Net之间没有统计学上显著的DSC差异 (p=0.15-0.27).
• 盲目评估显示,训练有素的模型表现优于临床使用的轮.

结论:

• 这两种UNet衍生架构在膀和直肠细分方面都表现出可比的准确性.
• 模型的准确性足以减少在HDR支臂疗法规划中的轮时间.
• 由于硬件需求较低,UNet++模型被选择用于临床实施;现在在常规使用中.