在肺癌中,通过深度学习对毛细瘤体积淋巴结的自动轮造型
Yuling Huang1,2, Xingxing Yuan1,2, Longfei Xu1,2
1Department of Radiation Oncology, Jiangxi Cancer Hospital, Nanchang, Jiangxi, 330029, PR China.
BMC cancer
|October 1, 2025
概括
这项研究引入了一种深度学习模型,用于肺癌中自动化总瘤体积淋巴结 (GTVnd) 细分. 该模型显示出有希望的结果,性能优于现有方法,并证明了临床适用性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 粗瘤体积淋巴结 (GTVnd) 的精确轮对肺癌放射治疗中有效的临床目标体积划分至关重要.
- 自动细分GTVnd可以提高治疗规划的效率和一致性.
研究的目的:
- 开发和评估一种新的深度学习模型,用于肺癌患者的GTVnd自动细分.
- 评估模型的性能与既定方法和人类专家的界定相比.
主要方法:
- 开发了一个深度学习模型,整合了上下文和边缘引导的功能增强.
- 该模型在90名小细胞肺癌 (SCLC) 患者的计算机断层扫描 (CT) 上进行了训练和测试.
- 使用3D子相似系数 (DSC) 和第95 Hausdorff 距离 (95HD) 评估了性能.
主要成果:
- 拟议的ECENet模型实现了0.72 ± 0.09的3D DSC平均值,明显优于UNet (0.46 ± 0.19) 和nnUNet (0.52 ± 0.18).
- 细分精度与中级医生的医生相当.
- 剂量测量分析显示,自轮和临床治疗计划之间有很好的一致性,关键结构的偏差最小,和相似的瘤控制概率 (TCP) 和正常组织并发症概率 (NTCP).
结论:
- 开发的深度学习模型有效地自动化了肺癌中的GTVnd划分,与现有方法相比,提供了优势.
- 该模型的性能和治疗计划的一致性表明其具有临床适用性,特别是作为辐射瘤学家的支持工具.
