Az AI-keretrendszer legyőzi az online adaptív sugárterápia szegmentációs kihívásait

Online adaptív sugárterápia (ART) lehetővé teszi a kezelés megváltoztatását vagy adaptálását a további információkra válaszul, mint például a fogyás vagy a daganat térfogatának változása, a kezelés időpontjában a páciensről összegyűjtött. A kezelési tervek ilyen módon történő adaptálása javíthatja a betegek kimenetelét – a módosítások nélkül végzett kezelések aluladagolhatják a célpontokat vagy túladagolhatják a veszélyeztetett szerveket (OAR).

Mivel az ART leképezése akkor történik, amikor a páciens a kezelő heverőn fekszik, a kapott képeket gyorsan és pontosan kontúrozni kell. Az online ART során nyert kúpos nyalábú CT (CBCT) képek alacsony lágyszövet-kontrasztja azonban megnehezítheti a különböző struktúrák körülhatárolását. Korlátozottan állnak rendelkezésre „arany standard” kontúrok a mélytanulási modellek betanításához.

Egy új keretrendszer a CBCT-képek online ART-hoz történő szegmentálásával kapcsolatos kihívások egy részét kezeli egy mélytanulási modell használatával a tervező CT-hez regisztrált kontúrok finomításához. A keretrendszer, amelyet a kutatók fejlesztettek ki a A Texasi Egyetem Délnyugati Orvosi Központja és a Stanford Egyetem, az első, amely regisztráció alapú mélytanulási szegmentációs modellt alkalmaz az OAR-ek szegmentálására fej-nyaki daganatokban (legalább egy korábbi tanulmány beépítette a regisztrációs információkat a mellkasrákok szegmentálásához).

„Mivel a hagyományos analitikai modellek helyett az adatvezérelt modellek fejlesztésének korszakát éljük, az előzetes tudás kritikus. A sugárterápiás klinikákon bőséges előzetes információ áll rendelkezésre. Ennek a korábbi, meglévő információnak a felhasználása irányt jelent a gyors pontos szegmentáláshoz és a sugárterápiás tervezési modellek fejlesztéséhez” – mondja vezető szerző. Xuejun Gu, a Stanford Egyetem sugáronkológiai docense.

Regisztráció-vezérelt mélytanulási szegmentációs keretrendszer

A képregisztráció a keretrendszer két összetevője közül az első. A regisztrációs algoritmus a tervezési kontúrokból továbbított kontúrokat generál úgy, hogy a tervezési CT-t regisztrálja az online CBCT-re, merev vagy deformálható regisztrációs megközelítésekkel. Az egyes OAR eredményül kapott kontúrjai bináris maszkként kerülnek be a mélytanulási modellbe. A keretrendszer második összetevője a mély tanuláson alapuló szegmentáció. A modell nyolc valószínűségi maszk csatornát ad ki, amelyek OAR-okból és „háttérből” (azaz mindenből, ami nem OAR) állnak. A modellt a volumetrikus soft Dice veszteség funkció minimalizálásával optimalizálták.

Gu csapata egy házon belüli fej-nyakrák-adatkészleten tesztelte a keretrendszert, amely 37, egyetlen intézményben kezelt beteget tartalmazott. Az összes CBCT-képet Varian TrueBeam fedélzeti képalkotó rendszerrel készítették, ugyanazon gépbeállítások használatával, és az összes CBCT-kontúrt ugyanaz az orvos rajzolta meg. Előfordulhat, hogy a műtéti reszekció vagy a tumor behatolása miatt bármelyik betegnél nem volt teljes OAR-készlet. A mélytanulási modellnek kevesebb mint egy másodpercbe telt az OAR-ok végső szegmentációinak létrehozása, ha regisztrált CBCT-kontúrokkal látták el.

Összehasonlítva önmagában a regisztrációval vagy a mély tanulással, a regisztráció által vezérelt mélytanulási szegmentációs keretrendszer pontosabb szegmentálást ért el a távolsági átlagolt mérőszámokkal mérve. Úgy tűnik, hogy a keret kevésbé érzékeny a képi műtermékekre, például a fogászati ​​implantátumokból származó csíkokra.

A korai szakaszok ígéretesek

A kutatók azt állítják, hogy keretük amellett, hogy kihasználják a páciens-specifikus helyzetinformációkat és a szervhatárok populáción alapuló tudását, korlátozott képzési adatok mellett is stabil.

"Ez a tanulmány jelentős" - mondja Gu. „Először is, ez egy általános keret. Másodszor, a beteg-specifikus szegmentálási koncepció bevezetése nemcsak a mély tanulási modellek képzésének adatigényes követelményeit enyhíti, hanem javítja a szegmentálás pontosságát is, mivel a modellt a beteg-specifikus információk vezérlik.”

A kutatók elismerik az akadályokat, amelyekkel a jövőben szembe kell nézniük. Az adatok kurálása állandó kihívás, mivel kézzel rajzolt kontúrokra van szükség a keresztellenőrzéshez. További robusztussági és általánosíthatósági teszteket végeznek, hogy megtudják, hogyan teljesít a modell az intézményekben. Szisztematikus prospektív tanulmányt is terveznek. És mivel a CBCT képek és a kontúrozási protokollok minősége intézményenként eltérő lehet, a kutatók azt javasolják, hogy minden intézmény rendelje meg a saját modelljét.

"A javasolt mély tanulás-vezérelt regisztrációs keretrendszer felvilágosítja a kutatókat olyan modellek kidolgozására, amelyek magukban foglalják az előzetes tudást" - mondja Gu. "Reméljük, hogy a tanulmány hatása túlmutat a kutatáson, vagyis a képzett modellt le lehet fordítani a klinikára a betegek kezelésének elősegítése érdekében."

Ez a tanulmány ben jelent meg Orvosi fizika.

A poszt Az AI-keretrendszer legyőzi az online adaptív sugárterápia szegmentációs kihívásait jelent meg először Fizika Világa.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/