RT-SAM:视觉诱导融合和不确定性增强用于鼻癌放射治疗目标划分.

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
• 计算解剖学的计算解剖学

背景情况:

• 准确的临床目标体积 (CTV) 和节点CTV (CTV$_{nd}$) 划分对于鼻癌 (NPC) 放射治疗至关重要.
• 手动轮是耗时的,并且由于复杂的解剖学,容易导致观察者之间的显著变化.

研究的目的:

• 引入RT-SAM,这是NPC CT图像中自动CTV和CTV$_{nd}$轮的新型框架.
• 为了利用医疗部门的Anything Model 2 (MedSAM-2) 与专业网络集成,以提高轮准确度.

主要方法:

• 通过将MedSAM-2与2D U-Net专业网络集成,开发了RT-SAM.
• 实现了自动化的多模式提示生成 (面具,边界框,点) 以指导MedSAM-2.
• 引入了视觉提示融合注意力 (ViPFA) 和不确定性增强预测调整 (UEPA) 机制,以提高稳定性和准确性.

主要成果:

• 在多中心数据集上,RT-SAM实现了0.796 ± 0.033的平均DICE系数.
• 临床验证表明RT-SAM轮在临床上无法与专家划分区分.
• 在75%的比较中,RT-SAM获得了优异的质量评级,并且在97%以上的病例中被评为临床可接受.

结论:

• RT-SAM为NPC放射治疗中自动CTV和CTV$_{nd}$轮提供了一种临床可行的解决方案.
• 该框架具有强大的潜力,可以规范治疗计划,减少观察者之间的变化.
• RT-SAM代表了人工智能驱动的NPC放射治疗规划的重大进步.