在使用扩散模型对软组织肉瘤的临床目标体积划分中模拟读者间的变异性
Yafei Dong1,2, Thibault Marin1,2,3, Yue Zhuo1,2
1Yale Biomedical Imaging Institute, Yale University School of Medicine, New Haven, Connecticut, USA.
Medical physics
|May 3, 2025
概括
本研究引入了一种扩散模型,用于生成软组织瘤的多个临床目标体积 (CTV) 轮,模拟现实世界的读者间变异性. 这种深度学习方法通过考虑轮不确定性,提高了放射治疗治疗计划.
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的临床目标体积 (CTV) 划分对于软组织肉瘤放射治疗至关重要.
- 在CTV轮中,读者间的变异性导致治疗计划中的不一致性.
- 现有的自动化方法无法捕捉到这种变化,只产生单个CTV.
研究的目的:
- 开发一种深度学习技术,以在每个案例中生成多个CTV轮.
- 模拟临床实践中观察到的读者间变异性.
- 为了提高放射治疗治疗计划的一致性和准确性.
主要方法:
- 利用51名软组织肉瘤患者的多模式扫描 (FDG-PET,CT,MRI) 的数据集.
- 开发了一个扩散模型,结合GTV编码器来提取关键瘤信息.
- 生成多个可信的CTV来模仿读者之间的变化.
主要成果:
- 扩散模型实现了卓越的性能,具有最高的子指数 (0.902) 和最佳通用能量距离 (GED) (0.209).
- 在模两可的图像细分模型中展示了强大的回忆和精度指标.
- 除研究证实了GTV信息对于准确的CTV划分的重要性.
结论:
- 拟议的扩散模型有效地产生了软组织肉瘤的多个可信的CTV轮.
- 该方法成功地捕获和模拟了CTV划分中的互读器变异性.
- 这种方法有可能改善软组织肉瘤的放射治疗计划.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
1.1K
