基于深度学习的细分和注册的比较,使用预处理轮在磁共振引导放射治疗中进行在线直肠划分
Iris D Kolenbrander1,2, Koen M Kuijer3, Mark H F Savenije3,4
1IMAG/e Group, Department of Biomedical Engineering, Eindhoven University of Technology, Eindhoven, The Netherlands.
Physics and imaging in radiation oncology
|November 10, 2025
概括
深度学习细分优于将计划轮纳入在线直肠癌放射治疗. 与注册方法相比,这种方法可以提高轮的精度和稳定性.
科学领域:
- 医学成像和放射治疗.
- 人工智能在瘤学中的应用
- 辐射疗法规划 辐射疗法规划
背景情况:
- 准确的目标轮对于直肠癌的在线自适应性MR导向放射治疗 (MRgRT) 至关重要.
- 在MRgRT.中,划定中直肠临床目标体积 (CTV) 存在挑战.
- 规划轮为在线轮提供了宝贵的解剖信息.
研究的目的:
- 评估基于深度学习的分段和注册模型,用于在线直肠轮.
- 确定将治疗前规划轮整合到在线自适应性放射治疗中的最佳方法.
- 为了比较细分与注册模型的准确性和稳定性.
主要方法:
- 开发了基于U-Net的深度学习细分和注册模型.
- 在104名直肠癌患者的MRI数据上训练模型.
- 使用豪斯多夫距离 (HD),子得分和定性评估进行比较的模型.
主要成果:
- 分段和注册模型显示了可比的HD中位数值 (9.3mm与10.2mm).
- 细分在中间和骨区域 (p < 0.05) 实现了显著较低的HD细分.
- 细分产生了更具临床可接受的轮 (9/10与3/10相比) 和更好的强度.
结论:
- 基于深度学习的细分是将CTV计划纳入在线直肠划分的最佳方法.
- 分段化为在线自适应MRgRT提供了更高的准确性和稳定性.
- 这种方法提高了直肠癌放射治疗计划的精度.
