针对形束计算断层扫描 (CBCT) 多器官细分的患者和细分特定模型的调整
Xiaoqian Chen1, Richard L J Qiu1, Vanessa Wildman1
1Department of Radiation Oncology, Winship Cancer Institute, Emory University School of Medicine, Atlanta, Georgia, USA.
Medical physics
|December 26, 2025
概括
一种新的深度学习模型通过适应放射治疗期间的患者特定变化,显著改善了圆束计算机断层扫描 (CBCT) 中的器官细分. 这提高了适应性辐射疗法规划和交付的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 圆束计算断层扫描 (CBCT) 提供了低辐射剂量的3D成像,用于跟踪解剖变化.
- 人工物 (散射,噪音,运动) 和CBCT中的患者特异性变化使准确的风险器官 (OAR) 细分复杂化.
- 精确的OAR划分对于有效的放射治疗结果至关重要.
研究的目的:
- 为CBCT开发一个准确的OAR细分方法.
- 为了应对在治疗过程中成像工件和动态解剖/瘤变化所带来的挑战.
- 通过增强细分来提高放射治疗的疗效.
主要方法:
- 使用参数有效微调 (LoRA) 开发了一个3D患者和分数特定的可扩展和可转移的U-Net (PFS-STU-Net).
- 通过对联CT和CBCT图像,将一般的STU-Net调整为CBCT域.
- 逐步微调模型,使用患者特定的CBCT分数来跟踪解剖演变.
主要成果:
- 与预训练模型相比,PFS-STU-Net在所有器官的细分精度上取得了统计学上显著的改善 (p < 0.05).
- 子相似系数 (DSC) 在食道 (0.60至0.87) 和脊髓 (0.74至0.97) 等方面大幅增加.
- 平均豪斯多夫距离第95百分点 (HD95) 和平均表面距离 (MSD) 减少了50%以上,具有强大的外部验证 (平均DSC=0.91).
结论:
- 将大规模的预训练与患者和分数特定的适应相结合,可显著提高CBCT多器官细分的准确性.
- PFS-STU-Net框架展示了实时CBCT引导的适应性放射治疗的强大,可扩展和高效的性能.
- 这种方法提高了临床可转移性,并支持精确的放射治疗计划.
