相关实验视频
Updated: May 1, 2026
10:35
Stereotactic Radiosurgery for Gynecologic Cancer
Published on: April 17, 2012
18.3K
混合深度学习可使多机构对妇科放射治疗的活跃骨髓进行划分
Zhe Zhang1,2,3, Xiao Lu4, Sicheng He5
1Department of Radiation Oncology, Peking University Shenzhen Hospital, Hong Kong University of Science and Technology Medical Center, Shenzhen, China.
Physics and imaging in radiation oncology
|August 21, 2025
概括
一种新型的深度学习方法可以在妇科癌症患者的CT扫描中准确识别活跃骨髓 (ABM). 这种进展有助于开发节约骨髓的放射疗法,减少治疗毒性.
科学领域:
- 医学成像
- 在瘤学中使用人工智能
- 放射治疗计划
背景情况:
- 对于妇科癌症的盆腔放射治疗会照射关键骨结构.
- 活跃骨髓对辐射敏感,可能导致毒性.
- 准确的ABM识别对于剂量降低的计划至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于CT图像上检测血液形成活性骨髓 (ABM).
- 评估DL模型在允许ABM节约放射治疗中的临床实用性.
- 为了比较ABM细分的各种DL架构的性能.
主要方法:
- 在5所医院对319名妇科癌症患者进行了回顾性分析.
- 开发六种DL模型,包括混合nnU-Net,U-Net,V-Net,ResU-Net,nnU-Net和UNETR.
- 使用18F-FDG PET/CT作为参考,将ABM分成活跃的骨髓 (A_IBM),活跃的骨髓 (A_SBM) 和活跃的腰椎骨髓 (A_LVBM).
- 使用子相似系数 (DSC) 和豪斯多夫距离 (HD95) 的评估.
- 两种临床病例的前性评估 ABM节约性放射治疗.
主要成果:
- 混合型nnU-Net模型在高DSC的A_IBM,A_LVBM和A_SBM细分方面表现出卓越的表现.
- 混合nnU-Net比大多数其他DL模型显著提高了准确性.
- 接受ABM节约性放射治疗的潜在患者没有出现≥2级的血液毒性.
结论:
- 混合nnU-Net模型准确地对妇科癌症患者的CT图像进行ABM细分.
- 这种DL方法具有实施ABM节约放射治疗的巨大潜力.
- 这些发现支持将人工智能整合到辐射治疗中,以改善患者的治疗结果.
