将RayStation AI自动轮与Eclipse TPS联系起来:用于临床集成的脚本化工作流
Adam Ryczkowski1, Agata Jodda1, Tomasz Piotrowski1,2,3
1Department of Medical Physics, Greater Poland Cancer Centre, Poznan, Poland.
概括
这项研究自动化了RayStation和Eclipse治疗计划系统之间的AI驱动的自动轮,大大减少了轮时间,提高了放射治疗计划的一致性.
科学领域:
- 医学物理 医学物理
- 放射治疗技术 放射治疗技术
- 人工智能在医学中的应用
背景情况:
- 准确地界定目标体积和有风险的器官 (OAR) 对于有效的放射治疗规划至关重要.
- 基于深度学习的自动轮提供了更好的一致性和更少的手动工作,但面临着跨不同平台的整合挑战.
- 这项工作解决了将AI自动轮工具无整合到现有的放射治疗工作流程中的需求.
研究的目的:
- 在Eclipse治疗计划系统 (TPS) 中开发和验证来自RayStation的基于AI的自动轮自动集成解决方案.
- 为了简化在不同放射治疗软件平台之间传输AI生成轮的过程.
- 通过利用跨平台的人工智能能力,提高放射治疗规划的效率和一致性.
主要方法:
- 开发了Eclipse的自定义C#脚本和RayStation的Python脚本,以便通过DICOM网络实现自动数据交换.
- 实现了一个自动化工作流,Eclipse将CT图像和结构列表导出到RayStation.
- 配置RayStation 2024B自动触发Python脚本以进行深度学习细分并将轮导出回Eclipse,而无需用户干预.
主要成果:
- 验证了35个临床病例的自动化整合,证明了每例平均1.1分钟的完整过程时间.
- 与手工方法相比,在轮时间上实现了显著的减少.
- 在多个案例中,在轮方面表现出更好的一致性.
结论:
- 自动跨平台集成可直接访问 RayStation 在 Eclipse 中的深度学习细分,提供可扩展的轮解决方案.
- 这种整合提高了规划效率,减少了观察者之间的变化,并允许临床医生在当前的TPS中利用先进的AI工具.
- 模块化框架促进了多供应商系统在放射治疗规划中的互操作性,并且可以适应不断变化的临床协议.
