一个半自动化工作流程,用于对照疗法数据的队列准备,用于剂量反应建模,包括风险器官的自分化

科学领域:

• 放射治疗研究的研究.
• 医疗图像分析 医学图像分析
• 计算瘤学是一种计算瘤学.

背景情况:

• 为风险建模准备回顾性剂量数据是耗时的,因为手动干预.
• 从历史上看,有风险的器官 (OAR) 不总是被系统地划分,这使数据准备复杂化.
• 需要一个半自动化工作流程,以有效地从瘤信息系统 (OIS) 准备队列智能的数据.

研究的目的:

• 开发和测试一个半自动化工作流程,用于从OIS准备放射治疗数据,用于风险建模.
• 为了将OAR自分化集成到工作流中.
• 评估开发工作流程的效率和准确性.

主要方法:

• 开发并代完善了一种半自动化工作流程,包括数据提取,清理,自动细分,质量控制和数据注入.
• 评估了两种基于深度学习 (DL) 和四种基于图谱的自细分方法,用于近端支气管树 (PBT),心脏和食道.
• 评估的几何和剂量测量一致性与手工轮的OAR用于独立的案例.

主要成果:

• 基于DL的方法在PBT和食道细分方面表现优于基于Atlas的方法 (PBT的平均子相似系数[DSC]为0.81-0.83而不是0.59-0.80;食道为0.76-0.77而不是0.39-0.46).
• 基于DL的方法和基于Atlas的方法之间的心脏细分性能相似 (平均DSC为0.90-0.95对比0.84-0.90).
• 最终的工作流成功地在没有人工干预的情况下为80%的测试案例准备了数据,内部DL模型实现了最高的平均DSC.

结论:

• 半自动化工作流程可以有效地准备OIS数据用于风险建模.
• 与其他评估方法相比,公司内部开发的基于DL的细分模型表现出优异的性能.