智能轮:在非小细胞肺癌中,深度学习驱动的内部瘤总体体积划分使用4DCT最大和平均强度预测
Yuling Huang1,2,3, Mingming Luo1,2,3, Zan Luo1,2,3
1Department of Radiation Oncology, Jiangxi Cancer Hospital & Institute (The Second Affiliated Hospital of Nanchang Medical College), Nanchang, 330029, Jiangxi, PR China.
Radiation oncology (London, England)
|April 18, 2025
概括
深度学习模型使用4DCT强度预测自动化对非小细胞肺癌的内部总瘤体积划分. 这简化了放射治疗的规划,并提高了精度.
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:
- 准确地界定内部毛细瘤体积 (IGTV) 对非小细胞肺癌 (NSCLC) 治疗至关重要.
- 目前的深度学习 (DL) 方法通常依赖于四维计算机断层扫描 (4D CT) 多相成像的间接结果.
研究的目的:
- 提出和评估一种基于DL的方法,用于自动划分IGTV,使用4DCT的最大和平均强度预测 (MIP和AIP).
- 为了比较不同DL细分模型对此任务的性能.
主要方法:
- 追溯分析124名NSCLC患者的4DCT数据.
- 来自4DCT的MIP和AIP图像的生成,手动轮的IGTV作为地面真相.
- 使用MIP/AIP图像和相应的IGTVs进行U-net,注意力U-net和V-net细分模型的培训和验证.
主要成果:
- 在AIP图像上训练的注意力U-net实现了0.871 ± 0.048的平均子相似系数 (DSC) 和2.958 ± 2.266毫米的平均豪斯多夫距离第95百分位数 (HD95).
- 在MIP图像上训练的模型的平均DSC值为0.852±0.053,平均HD95值为3.209±2.136毫米.
- 注意U-net和U-net模型显著优于V-net模型.
结论:
- 深度学习模型可以有效地自动化IGTV划分使用MIP和AIP图像来自4DCT.
- 这种自动化方法可以简化肺癌放射治疗规划中的轮过程.
- 提高准确性和一致性有助于改善患者的治疗结果.
