在头部和部重新规划中评估轮精度:深度学习训练模型与可变形图像注册传播技术相比
Johnson Yuen1, Shrikant Deshpande2, Joel Poder3
1St George Hospital Cancer Care Centre, Kogarah, New South Wales, Australia; South Western Clinical School, University of New South Wales, Sydney, New South Wales, Australia; Ingham Institute for Applied Medical Research, Sydney, New South Wales, Australia.
概括
可变形图像注册 (DIR) 轮显示出比头适应性放射治疗的深度学习 (DL) 模型更好的几何精度. 在DL和DIR方法之间,剂量测量差异在统计上没有显著意义.
科学领域:
- 放射治疗和医学成像技术
- 计算解剖学和图像分析
背景情况:
- 精确的器官轮对于有效的放射治疗至关重要,特别是在适应性放射治疗 (ART) 中.
- 针对ART的自动细分依赖于可变形图像注册 (DIR) 或深度学习 (DL) 模型.
- DIR的准确性取决于先前的轮和图像质量,而DL的准确性取决于训练数据.
研究的目的:
- 为了比较商业DL模型和DIR工具在头部和部自动轮的准确性.
- 为了评估DL与DIR轮方法的几何和剂量准确性.
主要方法:
- 将手动轮与DL (Mirada DLC04,DLC13,DLC14) 和DIR (Velocity,MIM,Eclipse) 的轮进行比较,这些轮来自9名头癌患者.
- 评估了轮相关性,分级,风格和准确性,使用诸如子相似系数 (DSC),平均一致距离 (MDA) 和豪斯多夫距离 (HD) 等指标.
- 对脑干和腺的入围轮进行了统计分析,使用Velocity DIR作为比较器.
主要成果:
- 基于DIR的轮显示,与DL模型 (Mirada DLCExpert) 相比,体和大脑干的几何精度 (MDA,HD) 比DL模型更高.
- 在DL和DIR轮方法之间没有发现显著的剂量测量差异 (p > 0.1).
- 不同DIR算法 (刚性或可变形) 之间没有观察到显著的几何或剂量差异,除了MIM DIR脑干体积比.
结论:
- 与深度学习模型相比,可变形图像注册 (DIR) 为头部和部适应性放射治疗轮提供了更高的几何精度.
- 无论是DL还是DIR方法,都能在微小的修改下实现临床上可接受的轮,但DIR在关键结构中表现出更好的几何精度.
- 在DL和DIR轮方法之间没有显著的剂量测量差异,这表明这两种方法都适用于治疗规划.
