基于深度学习的心室细分在磁共振引导的自适应辐射疗法中
Xinru Chen1,2, Yao Ding1, Julius Weng3
1Department of Radiation Physics, Division of Radiation Oncology, The University of Texas MD Anderson Cancer Center, Houston, Texas.
Advances in radiation oncology
|August 14, 2025
概括
在MR-Linac系统上使用磁共振 (MR) 图像对心室进行准确的自动细分是可行的. 开发的模型显示了在适应性放射治疗中改善心脏节约的潜力,提高了患者的安全性.
科学领域:
- 医疗成像医学成像
- 辐射瘤学 辐射瘤学
- 心血管成像 - 心血管成像
背景情况:
- 精确的心室细分对于磁共振 (MR) 引导的适应性辐射疗法中的心脏节省至关重要.
- 接受放射治疗的患者有患辐射诱导心脏毒性的风险,需要精确的向以尽量减少心脏暴露.
研究的目的:
- 开发和评估心室自动细分模型,使用来自1.5-T MR-Linac. 的每日MRI图像来评估心室的自动细分模型.
- 评估基于T2/T1 3DVaneXD平衡快速场回声与光谱减弱反转恢复 (bFFE-SPAIR) 和T1 3DVaneXD mDixon序列的细分模型的性能.
主要方法:
- 训练了三个3D nnU-Net模型:bFFE-SPAIR (bFFE模型),T1 mDixon (mDixon模型) 和一个混合模型.
- 模型使用子相似系数 (DSC) 和平均表面距离与手动轮进行了评估.
- 临床接受度通过5点的利克尔特度量表进行评估,而一个in-silico研究评估了在适应性规划期间的心室节省.
主要成果:
- bFFE模型实现了最高的细分性能 (平均DSC为0.85±0.05).
- 在T1mDixon序列提供了类似的精度 (DSC0.83±0.06),尽管较低的对比度和噪声比.
- 95%的bFFE模型自分割轮在临床上是可以接受的 (得分≥4),适应性规划显著降低了心脏剂量.
结论:
- 在使用bFFE-SPAIR和T1mDixon序列的1.5-TMR-Linac上准确分心室细分的可行性得到证明.
- 开发的自动细分模型显示了在MR引导的适应性辐射疗法中增强心脏节约的潜力.
- 这些进步可以通过尽量减少辐射诱导的心脏毒性来改善患者的治疗结果.
