Kerangka kerja AI mengatasi tantangan segmentasi untuk radioterapi adaptif online

Terapi radiasi adaptif online (ART) memungkinkan pengobatan untuk diubah, atau diadaptasi, dalam menanggapi informasi tambahan, seperti penurunan berat badan atau perubahan volume tumor, dikumpulkan tentang pasien pada saat pengobatan. Mengadaptasi rencana perawatan dengan cara ini dapat meningkatkan hasil pasien – perawatan yang diberikan tanpa penyesuaian dapat menurunkan dosis target atau overdosis organ berisiko (OAR).

Karena pencitraan untuk ART terjadi saat pasien berbaring di kursi perawatan, gambar yang diperoleh harus dibuat konturnya dengan cepat dan akurat. Kontras jaringan lunak yang rendah pada gambar cone-beam CT (CBCT) yang diperoleh selama ART online, bagaimanapun, dapat mempersulit penggambaran struktur yang berbeda. Tersedia juga kontur "standar emas" yang terbatas untuk melatih model pembelajaran mendalam.

Kerangka kerja baru mengatasi beberapa tantangan dalam menyegmentasikan gambar CBCT untuk ART online dengan menggunakan model pembelajaran mendalam untuk memperbaiki kontur yang terdaftar pada CT perencanaan. Kerangka kerja, yang dikembangkan oleh para peneliti di Pusat Medis Universitas Texas Barat Daya dan Stanford University, adalah yang pertama menerapkan model segmentasi pembelajaran mendalam berbasis registrasi untuk mengelompokkan OAR pada kanker kepala dan leher (setidaknya satu penelitian sebelumnya telah memasukkan informasi pendaftaran ke segmentasi pada kanker toraks).

“Karena kita berada di era pengembangan model berbasis data daripada model analitik konvensional, pengetahuan sebelumnya sangatlah penting. Di klinik radioterapi, ada banyak informasi sebelumnya. Memanfaatkan informasi sebelumnya yang ada ini dengan baik adalah arah untuk segmentasi akurat yang cepat dan pengembangan model perencanaan dalam radioterapi, ”kata penulis senior Xuejun Gu, seorang profesor onkologi radiasi di Stanford University.

Kerangka kerja segmentasi pembelajaran mendalam yang dipandu pendaftaran

Registrasi gambar adalah yang pertama dari dua komponen dalam kerangka kerja. Algoritme registrasi menghasilkan kontur yang disebarkan dari kontur perencanaan dengan mendaftarkan CT perencanaan ke CBCT online menggunakan pendekatan registrasi yang kaku atau dapat dideformasi. Kontur yang dihasilkan untuk setiap OAR dimasukkan ke dalam model pembelajaran mendalam sebagai masker biner. Komponen kedua dari framework ini adalah segmentasi berbasis deep learning. Model mengeluarkan delapan saluran topeng probabilitas yang terdiri dari OAR dan "latar belakang" (yaitu, segala sesuatu yang bukan merupakan OAR). Model dioptimalkan dengan meminimalkan fungsi soft Dice loss volumetrik.

Tim Gu menguji kerangka kerja pada kumpulan data kanker kepala dan leher internal yang terdiri dari 37 pasien yang dirawat di satu institusi. Semua gambar CBCT diperoleh pada sistem pencitraan onboard Varian TrueBeam menggunakan pengaturan mesin yang sama, dan semua kontur CBCT digambarkan oleh dokter yang sama. Setiap pasien tertentu mungkin tidak memiliki satu set lengkap OAR karena reseksi bedah atau perambahan tumor. Dibutuhkan model pembelajaran mendalam kurang dari satu detik untuk menghasilkan segmentasi akhir OAR saat diberikan kontur CBCT terdaftar.

Dibandingkan dengan pendaftaran atau pembelajaran mendalam saja, kerangka kerja segmentasi pembelajaran mendalam yang dipandu pendaftaran mencapai segmentasi yang lebih akurat sebagaimana diukur dengan metrik jarak rata-rata. Kerangka juga tampaknya kurang rentan terhadap artefak gambar, seperti goresan dari implan gigi.

Tahap awal menjanjikan

Para peneliti mengklaim bahwa kerangka kerja mereka, selain memanfaatkan informasi posisi khusus pasien dan pengetahuan berbasis populasi tentang batas organ, stabil bahkan dengan data pelatihan yang terbatas.

“Studi ini penting,” kata Gu. “Pertama, ini adalah kerangka umum. Kedua, memperkenalkan konsep segmentasi khusus pasien tidak hanya meringankan persyaratan yang menuntut data untuk melatih model pembelajaran mendalam, tetapi juga meningkatkan akurasi segmentasi, karena model dipandu oleh informasi khusus pasien.”

Para peneliti mengakui kendala yang mereka hadapi ke depan. Kurasi data merupakan tantangan yang selalu ada, karena kontur yang digambar secara manual diperlukan untuk validasi silang. Mereka sedang melakukan uji ketahanan tambahan dan uji generalisasi untuk melihat bagaimana kinerja model di seluruh institusi. Mereka juga merencanakan studi prospektif yang sistematis. Dan, karena kualitas gambar CBCT dan protokol kontur mungkin berbeda di setiap institusi, para peneliti merekomendasikan agar setiap institusi menugaskan modelnya sendiri.

“Kerangka pendaftaran yang dipandu pembelajaran mendalam yang diusulkan akan mencerahkan para peneliti untuk mengembangkan model yang menggabungkan pengetahuan sebelumnya,” kata Gu. “Kami berharap dampak penelitian ini melampaui penelitian, artinya model yang dilatih dapat diterjemahkan ke dalam klinik untuk membantu perawatan pasien.”

Studi ini dipublikasikan di Fisika Medis.

Pos Kerangka kerja AI mengatasi tantangan segmentasi untuk radioterapi adaptif online muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/