基于深度学习的危险全身器官的划分,赋予了适应性放射治疗的力量
Zi-Hang Chen1, Song-Feng Li2, Ling-Xin Xu1
1Department of Radiation Oncology, State Key Laboratory of Oncology in South China, Guangdong Key Laboratory of Nasopharyngeal Carcinoma Diagnosis and Therapy, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou, 510060, P. R. China.
BMC medical informatics and decision making
|July 15, 2025
概括
深度学习模型准确地划分整个身体的危险器官 (OAR),证明了在放射治疗规划方面临床实用性. 这些模型显示出高精度,临床接受度,并且没有显著的剂量计影响.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确划分有风险的器官 (OARs) 对精确放射治疗至关重要.
- 之前的自细分模型通常集中在单个地区,缺乏剂量测量影响评估.
- 这项研究验证了全身OAR自分割的深度学习 (DL) 模型.
研究的目的:
- 评估DL模型对全身OAR自分化的临床可行性.
- 评估基于DL的OAR细分的划分精度,临床接受度和剂量学影响.
- 将基于DL的划线与放射瘤学家的手动划线进行比较.
主要方法:
- DL模型自动划分了OAR在头部和部,胸部,腹部和骨盆.
- 几何性能是使用子相似系数 (DSC) 和平均表面距离 (ASD) 来评估的.
- 放射瘤学家审查和纠正划分,并评估临床接受度和剂量计影响.
主要成果:
- DL模型实现了高分界精度,区域间的中位数DSC在0.841到0.916之间.
- 大多数DL产生的OAR在临床上是可以接受的,所需的编辑很少或不需要.
- 基于DL和更正的计划之间没有观察到任何显著的剂量测量差异.
结论:
- 基于DL的细分对于全身OAR是有效的.
- DL模型符合临床实践准确性,可接受性和剂量计影响的标准.
- DL自细分显示了显著的希望,以提高放射治疗工作流程.
更多相关视频
08:54Treatment of Liver Metastases Using an Internal Target Volume Method for Stereotactic Body Radiotherapy
Published on: May 8, 2018
14.4K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.6K