在磁共振成像中对脑转移的自动细分,在放射治疗中使用深度学习进行磁共振成像

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 大脑转移 (BMs) 是常见的内瘤,需要精确划分才能进行有效的立体辐射疗法.
• 手动细分BMs是耗时的,需要从瘤学家显著的专业知识.
• 深度学习 (DL) 为自动化复杂的医疗图像细分任务提供了潜力.

研究的目的:

• 开发和评估基于深度学习的脑转移 (BM) 的自动细分模型.
• 将拟议模型的性能与现有的U-Net架构进行比较.
• 评估模型在减少治疗规划时间方面的临床实用性.

主要方法:

• 追溯收集158个脑部MRI扫描的患者与BMs.
• 开发BUC-Net,这是一个基于U-Net的新型模型,包含一个级联策略和瓶模块,用于BMs自动细分.
• 使用几何指标 (DSC,HD95,ASD),检测指标 (PR,ROC曲线) 和相对体积差 (RVD) 的评估.

主要成果:

• BUC-Net实现了高细分精度,平均子相似系数 (DSC) 为0.912.
• 该模型表现出强大的检测性能,曲线下的面积 (AUC) 为PR的0.934和ROC的0.835.
• BUC-Net将细分时间缩短到每名患者的10分钟以下,而手动方法的时间为3-6小时.

结论:

• 拟议的BUC-Net模型提供了MRI脑转移的准确和高效的自动细分.
• 这种深度学习方法显著提高了BMs患者放射治疗计划的效率和准确性.
• BUC-Net有可能提高神经瘤学中的临床工作流程和患者结果.