一个新的网络架构用于应用器放置后的CT自动轮在宫癌中HDR臂疗法
Yang Lei1, Ming Chao1, Kaida Yang1
1Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai, New York, New York, USA.
Medical physics
|May 25, 2025
概括
这项研究引入了一种新的机器学习方法,用于在宫高剂量率支臂疗法 (HDR-BT) 中自动细分高风险临床目标体积 (HR-CTV) 和有风险的器官 (OAR),从而提高治疗规划的效率和准确性.
科学领域:
- 医学物理 医学物理
- 放射治疗瘤学 放射治疗瘤学
- 医疗保健中的机器学习
背景情况:
- 在应用器后CT (pCT) 上对高危临床目标体积 (HR-CTV) 和有风险的器官 (OAR) 的准确细分对于局部晚期宫癌的安全和有效的高剂量率支臂治疗 (HDR-BT) 是至关重要的.
- 手动轮是耗时的,主观的,并且由于宫HDR-BT的复杂解剖和低对比度而具有挑战性,阻碍了治疗效率和一致性.
研究的目的:
- 开发和验证基于机器学习的自动轮方法,以提高宫HDR-BT的pCT图像上的HR-CTV和OAR细分的准确性和效率.
主要方法:
- 开发了一种双重深度学习模型方法,最初的U-Net用于更简单的结构 (膀,HR-CTV) 和随后的复杂结构 (sigmoid,直肠,肠道) 的模型,结合空间信息和总变异规范化.
- 该方法在32名宫癌患者的115张pCT图像上得到验证,使用四倍交叉验证,将细分精度与使用子相似系数 (DSC),豪斯多夫距离 (HD95),平均表面距离 (MSD) 和体积差异 (VD) 的手动轮进行比较.
- 剂量测量评估包括HR-CTV的D90和OAR的D2cc,以评估自细分的临床影响.
主要成果:
- 自动轮方法实现了HR-CTV,膀和直肠的高细分精度,平均DSC值分别为0.79,0.83和0.76.
- 该方法显著优于DSC,MSD和CMD的最先进方法,用于挑战性结构,如肠道和sigmoid.
- 剂量测量分析显示,与手动轮相比,HR-CTV的D90和OAR的D2cc的差异很小,这表明临床可接受性.
结论:
- 开发的自动轮方法证明了在宫HDR-BT中对HR-CTV和OAR进行细分的有希望的准确性和效率.
- 这种方法有可能显著提高宫癌的HDR-BT治疗规划效率和一致性.
- 建议进行进一步的临床验证和实施,以充分利用这种创新的自动轮技术的好处.
