结质瘤的临床目标体积 - 自动划分以改善神经解剖学一致性
Gregory Buti1, Marcela Giovenco2, Tugba Yilmaz1,3
1Massachusetts General Hospital/Mass General Brigham and Harvard Medical School, Department of Radiat. Oncol., 100 Blossom St, Boston, MA 02114, USA.
Physics and imaging in radiation oncology
|December 2, 2025
概括
这项研究引入了一种自动化方法,用于在质瘤患者中划分临床目标体积 (CTV),提高神经解剖学一致性和效率. 人工智能驱动的方法准确地产生CTV,节省了医生的大量时间.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 鉴定质瘤的临床目标体积 (CTV) 是复杂的,因为需要神经解剖学验证.
- 现有的方法可能耗时,并且缺乏对解剖学界限的一致遵守.
研究的目的:
- 开发一种用于质瘤中CTV划分的自动化方法,以提高神经解剖学一致性和效率.
- 将瘤透途径和解剖障碍物整合到CTV划分过程中.
主要方法:
- 在99名质瘤患者的CT图像上训练了一种深度学习模型,用于大脑结构细分.
- 在受限距离转换中使用预测,将CTV定义为总瘤体积的15毫米扩张.
- 白物质区域被利用,使其能够跨越不同解剖结构边界的扩张.
主要成果:
- 自动化CTV显示出与参考CTV非常相似,平均表面DSC为95.6±3.4%,HD95为1.4±1.2毫米.
- 深度学习模型为细分的大脑结构实现了高的子相似系数 (例如,半球为98.5%,脑干为92.5%).
- 医生评估表明,自动化方法可以在85%的CTV划线中节省大量时间.
结论:
- 一种自动化方法成功地结合了专家知识,以改善质瘤CTV的神经解剖学一致性.
- 开发的方法为临床实践中CTV划分提供了更有效和更一致的替代方案.
