自动化瘤总体积 (GTV) 在高级结质瘤中使用深度学习方法进行轮

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 神经瘤学神经瘤学

背景情况:

• 准确的总瘤体积 (GTV) 轮对有效的高度质瘤 (HGG) 放射治疗 (RT) 计划至关重要.
• 手动GTV轮是耗时的,并且受观察者之间的变化影响.
• 深度学习为自动化和标准化GTV划分提供了一个潜在的解决方案.

研究的目的:

• 开发和评估用于HGG患者自动GTV轮的深度学习框架.
• 提高HGG技术规划的精度和效率.

主要方法:

• 使用了经过修改的3D U-Net架构.
• 该模型接受了来自BRATS 2018-2019挑战的469次多序MRI扫描的训练.
• 按照ESTRO/EANO指导方针划定GTV,重点关注增强对比度的瘤区域.

主要成果:

• 深度学习模型实现了91.70%±4.62%的子相似系数 (DSC).
• 第95个百分点的豪斯多夫距离 (HD95) 是2.43±1.30毫米,表明高精度和最小的边界偏差.
• 结果表明,自动化和专家轮之间的重叠程度很高.

结论:

• 深度学习提供了一个有前途且高效的方法,用于HGGs中自动化GTV轮.
• 这种方法可以显著支持RT规划,简化临床工作流程,提高治疗准确性.
• 开发的框架有可能通过更精确的放射治疗来改善患者的治疗结果.