量化和自动的日程计划评估,以促进宫癌适应性放射治疗

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 实施局部晚期宫癌 (LACC) 的一天计划 (POTD) 需要有效的评估工具.
• 目前评估放射治疗计划的方法可能耗时且主观.

研究的目的:

• 在LACC中开发和验证CBCT指导放射治疗 (RT) 计划选择的新型评估工具.
• 将深度学习细分模型 (U-Seg3) 与定量标准操作程序 (qSOP) 结合起来,以确定最佳和可接受的治疗计划.

主要方法:

• 开发U-Seg3,一个深度学习和可变形的图像记录算法,从CBCT图像中对关键结构 (LR-CTV,HR-CTV,膀,直肠,肠囊) 进行细分.
• 根据经过审计的计划创建了一个qSOP,根据预定义的覆盖门和危险器官节省标准对治疗计划进行分类.
• 验证了U-Seg3与手动轮,并对POTD患者病例测试了U-Seg3/qSOP组合工具.

主要成果:

• 在细分骨盆结构方面,U-Seg3表现出高准确度,中位数子相似系数 (DSC) 从0.78到0.94不等,优于更简单的模型 (U-Seg1).
• 根据目标覆盖率 (LR-CTV ≥99%,HR-CTV ≥99.8%),qSOP成功地确定了可接受的计划,并优先考虑了节省肠道的最佳计划.
• 结合的U-Seg3和qSOP工具在很大一部分情况下 (分别为77%和95%) 确定了最佳和可接受的计划.

结论:

• 与现有的方法相比,U-Seg3模型显著提高了基于CBCT的女性骨盆细分的准确性和范围.
• 集成的U-Seg3 / qSOP工具准确地确定最佳的放射治疗计划,与专家观察员相比.
• 这种工具可以增强信心,缩短决策时间,并可能减少在POTD实施中对专业放射科医生的需求.