基于深度学习的临床目标体积细分模型的开发和外部多中心验证,用于全乳房放射治疗

科学领域:

• 辐射疗法 辐射疗法
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 对有风险的器官 (OAR) 和临床目标体积 (CTV) 的准确细分对于优化放射治疗和最大限度地降低毒性至关重要.
• 深度学习 (DL) 技术为有效的医疗图像细分任务提供了一个有希望的方法.

研究的目的:

• 使用深度学习开发和验证可靠的CTV细分模型.
• 利用一个大型的单一机构数据集与多中心数据相结合,以进行强大的模型培训和验证.

主要方法:

• 利用了1822名患者的规划CT数据 (861名接受培训,961名在8个中心进行验证).
• 实现了一个3D-Unet模型,用于在图像标准化后对右和左CTV进行细分.
• 使用子相似系数 (DSC),豪斯多夫距离 (HD),HD第95百分位数 (HD_95) 和平均表面距离 (ASD) 评估性能.

主要成果:

• 在验证组中,3D-Unet模型获得了高性能 (DSC: 0.90,HD: 20.5 mm,HD_95: 10.0 mm,ASD: 2.1 mm).
• 与临床细分线沿尾轴相比,该模型产生了更光滑的轮.
• 证明了整体协议和模型在多个中心的可转移性,对大多数外部数据集具有一致的性能.

结论:

• 一个用于CTV细分的3D-Unet模型已成功开发并得到外部验证.
• 该模型在一个大型单一机构队列中进行了培训,实现了高性能,并显示了在放射治疗规划中临床应用的重大潜力.