一个交互式的深度学习工作流程,用于头部和部总瘤体积细分.

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算解剖学和细分学研究.

背景情况:

• 深度学习 (DL) 对头癌 (HNC) 总瘤体积的自分化面临着准确性和解剖学复杂性的挑战.
• 现有的方法往往需要大量的手动校正,影响临床工作流程的效率.

研究的目的:

• 开发和评估一个交互式DL (iDL) 工作流程,整合临床医生的投入,以提高HNC大瘤体积的细分性能和可用性.
• 在放射治疗规划中提高瘤划分的准确性和效率.

主要方法:

• 开发了两种iDL方法:一种是用于初级瘤 (GTVt) 细分,使用临床医生标记的中心和切片来微调3DUNet,另一种是用于淋巴结 (GTVn) 细分,使用临床医生点击作为注意力图.
• 工作流程使用内部和HECKTOR 2022数据集的模拟来评估,评估子相似系数 (DSCagg).
• 一项与放射瘤学家的观察员研究使用规范增长路径长度 (APL) 和系统可用性尺度 (SUS) 评估了可用性和效率.

主要成果:

• iDL工作流显示了高的细分精度,在数据集中实现了GTVt的0.84-0.88和GTVn的0.83-0.85的DSCagg.
• 需要对GTVn进行最小的校正 (平均APL:4-11%),对GTVt进行有限的校正 (平均APL:6-39%).
• 平均细分时间为每例12分钟,SUS得分表明可用性高 (87.5-100).

结论:

• 交互式DL工作流提供了一个实用且高效的解决方案,用于放射治疗中的头癌细分.
• 高精度,可用性和更短的校正时间使得iDL方法成为临床应用的宝贵工具.