对比增强剂对使用基于深度学习的软件"Ai-Seg"对头癌的细分的影响
Sayaka Kihara1,2, Yoshihiro Ueda1, Shuichi Harada3
1Department of Radiation Oncology, Osaka International Cancer Institute, Osaka 541-8567, Japan.
The British journal of radiology
|May 26, 2025
概括
一个新的深度学习模型用于对比增强CT的头部和部器官-有风险的自分类,在非对比CT上表现良好,除了下下腺,有助于临床采用.
科学领域:
- 放射治疗和医学成像技术
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习自分类工具通过轮风险器官 (OAR) 来帮助放射治疗规划.
- 准确的OAR细分对于最大限度地减少头癌的辐射毒性至关重要.
- 评估不同CT对比阶段的细分模型性能对于临床实用性至关重要.
研究的目的:
- 开发和评估深度学习细分模型,用于专门接受过对比度增强 (CE) 计算机断层扫描 (CT) 培训的HN OAR.
- 将CE训练模型的性能与在非对比 (nCE) CT上训练的现有模型进行比较.
- 在CE和nCECT数据集上评估模型的可用性和性能.
主要方法:
- 一项涉及321名HN癌症患者的回顾性研究,以使用Ai-Seg软件训练CE CT细分模型.
- 该CE模型应用于25名CE和nCECT扫描的患者.
- 在多个OAR中使用子相似系数 (DSC) 和平均豪斯多夫距离 (AHD) 来量化性能.
主要成果:
- 与现有的nCE模型相比,CE模型在CE CT上显示了状腺和下腺 (SMGs) 的显著更高的DSC.
- 在nCE CT上,与CE CT相比,CE模型显示SMG的DSC较低,AHD较高.
- 在使用CE模型时,其他OAR的表现仍然可以在CE和nCECT之间进行比较.
结论:
- 与现有模型相比,开发的CE-trained模型在HN OAR细分方面提供了卓越的性能.
- 在nCE CT图像上,CE模型可以有效地用于nCE CT图像,大多数OAR的性能降低最小,SMG除外.
- 这些发现支持将这种先进的细分工具集成到临床放射治疗工作流程中.
