基于深度学习的自我细分模型,用于在乳头癌手术后的手腕治疗中临床目标体积划分
Zhen-Yu Li1, Jing-Hua Yue2, Wen-Jie Wu3
1Second Clinical Division, Peking University School and Hospital of Stomatology, Beijing, PR China.
Journal of contemporary brachytherapy
|October 6, 2025
概括
一个新的深度学习模型显著加快了临床目标体积 (CTV) 划分,用于癌支臂治疗. 这种人工智能工具可以缩短计划时间,帮助放射瘤学家,改善患者护理.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确的临床目标体积 (CTV) 划分对于有效的癌支臂治疗至关重要.
- 手动CTV划分是耗时的,可能缺乏一致性.
- 术后辅助支臂疗法需要精确的辐射剂量输送.
研究的目的:
- 开发和评估一个深度学习模型,用于在腺癌手腕治疗中自动化CTV细分.
- 提高CTV划分的效率和一致性.
- 为了减少辐射瘤学家在治疗规划中的工作量.
主要方法:
- 利用了来自326名腺癌患者的临床成像数据.
- 训练并测试了一个用于CTV自动细分的3D Res-UNet深度学习模型.
- 经验丰富的放射瘤学家比较自动细分与手动划分.
主要成果:
- 3D Res-UNet模型初步实现了0.709.70的子相似系数 (DSC).
- 经过专家审查后的自动细分改善了DSC,达到0.924.
- 人工智能模型将初始轮时间缩短到9.4秒,专家审查需要11.9分钟,而手动划线需要46.7分钟.
结论:
- 基于深度学习的自动细分显著提高了CTV划分效率,用于癌手腕治疗.
- 人工智能模型,医生审查,提供准确和快速的CTV生成,减少整体规划时间超过30分钟.
- 这种人工智能工具简化了治疗计划,减轻了辐射瘤学家的负担,并支持改善患者护理.
