深度学习用于放射治疗中的自动化,运动解析的瘤细分
Sagnik Sarkar1, P Troy Teo1, Mohamed E Abazeed2,3
1Department of Radiation Oncology, Feinberg School of Medicine, Northwestern University, Chicago, IL, USA.
NPJ precision oncology
|June 30, 2025
概括
一个新的深度学习模型,iSeg,自动化了放射治疗的肺瘤细分,创建了捕捉运动的内部目标体积 (ITV). 这种人工智能方法与人类的准确性相匹配,并提高了精度,有可能提高治疗结果.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 在瘤学中使用人工智能
背景情况:
- 精确的瘤划分对于有效的放射治疗至关重要.
- 手动细分是耗时的,容易变化.
- 深度学习为自动化这一过程提供了潜力.
研究的目的:
- 开发和验证一个深度神经网络 (iSeg) 用于细分肺瘤和生成内部目标体积 (ITV).
- 评估模型在多个机构的性能及其对图像质量和瘤运动的稳定性.
主要方法:
- 一个3D UNet深度学习模型 (iSeg) 在739个来自多中心注册表的CT扫描上受训.
- 该模型对总瘤体积 (GTV) 进行了细分,并将其传播到4DCT图像中,以创建ITV.
- 对两个独立的外部队列 (n=161和n=102) 进行了验证.
主要成果:
- 在内部队列中,iSeg实现了0.73的子相似系数 (DSC) 中位数,在外部验证中取得了相似的表现 (DSC=0.70,0.71).
- 该模型的性能与人类观察者之间的变异性相匹配,并证明了对图像质量和运动的稳定性.
- 机器生成的ITV比医生划分的轮要小得多 (p<0.0001),表明精度增加.
结论:
- 该iSeg模型在放射治疗的自动目标体积细分方面取得了重大进展.
- 机器划分提高了放射治疗规划的准确性,可重现性和效率.
- 机器细分中的假阳性率可能与临床结果相关,需要进一步调查.
