"在早期NSCLC中对所有呼吸阶段的AI瘤划分"
Luis R DelaO-Arevalo1, Nanna M Sijtsema1, Lisanne V van Dijk1
1Radiation Oncology, University Medical Center Groningen (UMCG), Groningen, the Netherlands.
概括
一个新的深度学习算法可自动化总瘤体积 (GTV) 和内部目标体积 (ITV) 划分,用于接受立体体辐射疗法 (SBRT) 的早期非小细胞肺癌 (NSCLC) 患者. 这简化了轮,减少了变化.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 准确的总瘤体积 (GTV) 和内部目标体积 (ITV) 划分对于立体体辐射疗法 (SBRT) 中的早期肺瘤至关重要.
- 传统的手动轮GTV跨呼吸阶段 (BPs) 的ITV是耗时的.
- 开发自动化方法对于提高工作流程效率至关重要.
研究的目的:
- 开发和评估一个深度学习算法,用于在所有四维计算机断层扫描 (4D-CT) 呼吸阶段 (BP) 中自动划分GTV.
- 为早期非小细胞肺癌 (NSCLC) 患者简化内部目标卷 (ITV) 的创建.
- 为了减少SBRT瘤轮的时间和观察者之间的变化.
主要方法:
- 使用了214名接受SBRT治疗的早期NSCLC患者的数据集,4D-CT扫描包含10个重建的BP.
- 三个深度学习模型 (SwinUNetR,DynUnet,Swin + Dyn) 经过训练并使用子相似系数 (DSC),3毫米表面 DSC (SDSC) 和第 95 百分点豪斯多夫距离 (HD95) 进行评估.
- 使用表现最好的模型在所有BP中划分GTV,生成ITV,使用所有10个阶段和最大启发/到期阶段来与地面真相进行比较.
主要成果:
- 混合Swin + Dyn模型表现出卓越的性能,在使用所有10个BPs时,实现了GTV 50%的0.79 ± 0.14和ITV的0.79 ± 0.16的测试组SDSC.
- 使用2BPs (最大吸入/吐出) 的ITV划分产生了0.77 ± 0.14的SDSC.
- 在Swin+DynNet实现了高音量级的灵敏度和精度,用于2-BP和10-BP的ITV划分.
结论:
- Swin + Dyn Net算法有效地将GTV划分在所有呼吸阶段,结果ITV显示与地面真相良好一致.
- 自动化方法显著减少了NSCLC SBRT工作流中的轮时间和执行者间的变化.
- 这种深度学习方法为优化放射瘤学中的瘤划分提供了一个有希望的解决方案.
更多相关视频
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
09:49Dual-phase Cone-beam Computed Tomography to See, Reach, and Treat Hepatocellular Carcinoma during Drug-eluting Beads Transarterial Chemo-embolization
Published on: December 2, 2013
10.4K
