基于深度学习的器官/结构的自动轮,面临儿童上腹部放射治疗的风险
Mianyong Ding1, Matteo Maspero2, Annemieke S Littooij3
1Princess Máxima Center for Pediatric Oncology, Utrecht, The Netherlands; Department of Radiation Oncology, Imaging and Cancer Division, University Medical Center Utrecht, Utrecht, The Netherlands; Computational Imaging Group for MR Diagnostics & Therapy, Center for Image Sciences, University Medical Center Utrecht, Utrecht, The Netherlands.
概括
一个新的基于计算机断层扫描 (CT) 的多器官细分模型有效地划分了儿科患者的危险器官 (OAR). 在组合数据集上训练模型提高了其对临床应用的稳定性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科瘤学 儿科瘤学
背景情况:
- 准确地划分有风险的器官 (OAR) 对于在儿科瘤学中进行放射治疗的计划至关重要.
- 现有的细分方法在各种数据集和患者群体中可能缺乏稳定性.
研究的目的:
- 开发和评估基于计算机断层扫描 (CT) 的多器官细分模型,用于儿科上腹部瘤中的OAR.
- 在多个数据集中评估模型的稳定性和临床可接受性.
主要方法:
- 训练有素的自细分模型使用内部和公共CT数据集,用于患上腹部瘤的儿科患者.
- 概述了17个OAR,并比较了临床医生绘制的和自动化的细分.
- 使用子相似系数 (DSC),豪斯多夫距离 (HD95) 和平均表面距离 (MSD) 评估性能.
- 根据患者人口统计和瘤特征评估临床可接受性和模型稳定性.
主要成果:
- 在组合数据集 (Model-Combined) 上训练的模型显示出更好的稳定性.
- 对于几个OAR,实现了高性能 (平均DSC>0.95),对胃肠和胰腺的性能中等.
- 临床医生认为该模型的可用性很好.
- 各年龄组的表现各不相同,最年轻的组 (0-2岁) 对特定器官的准确性较低.
结论:
- 成功开发了一种针对儿科OAR的强大的多器官细分模型.
- 结合数据集的培训提高了用于临床使用的模型通用性.
- 该模型显示了在儿科放射瘤学设置中跨多种数据集的应用潜力.
