从实时彩色X射线光镜图像使用跨患者深度学习模型进行无标记器肺瘤跟踪
Yongxuan Yan1, Fumitake Fujii1, Takehiro Shiinoki2
1Graduate School of Sciences and Technology for Innovation, Yamaguchi University, Ube 755-8611, Japan.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了放射治疗的无标记瘤跟踪框架,消除了侵入性手术. 这种新的深度学习方法使用模拟数据准确地跟踪瘤,显示出改善患者护理的前景.
科学领域:
- 医学物理 医学物理
- 放射疗法是一种放射治疗.
- 人工智能的人工智能
背景情况:
- 用于放射治疗瘤定位的信托标记物植入是侵入性的,并带来风险.
- 目前的方法通常需要每位患者重新培训,增加复杂性和成本.
研究的目的:
- 开发和评估使用跨患者深度学习模型的无标记瘤跟踪框架.
- 消除了对放射治疗瘤定位的每位患者再培训的需要.
主要方法:
- 一个新的降解模型从数字重建的放射图 (DRR) 中生成模拟数据.
- 一个Restormer网络将临床光镜图像转换为类似DRR的图像.
- 一个DUCK-Net模型在DRR训练的数据上进行了瘤细分.
主要成果:
- 该框架实现了1.53毫米的3D欧几里德瘤中心追踪误差的中位数.
- 方向误差很小:0.98±0.70毫米 (LR),1.09±0.74毫米 (SI) 和1.34±0.94毫米 (AP).
- 每张图像的平均处理时间为179.8毫秒.
结论:
- 没有标记物的瘤跟踪框架是一个可行的概念验证.
- 这种方法表明了在放射治疗中跨患者,非侵入性解决方案的潜力.
- 为了广泛的临床适用性,需要进一步的大规模验证.
