Il framework AI supera le sfide della segmentazione per la radioterapia adattativa online

Radioterapia adattiva online (ART) consente di modificare o adattare un trattamento in risposta a informazioni aggiuntive, come la perdita di peso o le variazioni del volume del tumore, raccolte su un paziente al momento del trattamento. Adattare i piani di trattamento in questo modo potrebbe migliorare i risultati per i pazienti: i trattamenti forniti senza aggiustamenti potrebbero sottodosare gli obiettivi o sovradosare gli organi a rischio (OAR).

Poiché l'imaging per ART si verifica mentre un paziente è sdraiato sul lettino di trattamento, le immagini acquisite devono essere modellate in modo rapido e accurato. Il basso contrasto dei tessuti molli sulle immagini TC cone-beam (CBCT) acquisite durante l'ART online, tuttavia, può rendere difficile delineare strutture diverse. C'è anche una disponibilità limitata di profili "gold standard" per la formazione di modelli di deep learning.

Un nuovo framework affronta alcune delle sfide nella segmentazione delle immagini CBCT per l'ART online utilizzando un modello di deep learning per perfezionare i contorni registrati in una pianificazione CT. Il framework, sviluppato dai ricercatori del Centro medico del sud-ovest dell'Università del Texas ed Università di Stanford, è il primo ad applicare un modello di segmentazione di deep learning basato sulla registrazione per segmentare gli OAR nei tumori della testa e del collo (almeno uno studio precedente ha incorporato le informazioni di registrazione alla segmentazione nei tumori toracici).

“Dato che siamo in un'era di sviluppo di modelli basati sui dati piuttosto che di modelli analitici convenzionali, la conoscenza preliminare è fondamentale. Nelle cliniche di radioterapia, ci sono abbondanti informazioni preliminari. L'utilizzo di queste informazioni precedenti e esistenti è una direzione per una segmentazione rapida e accurata e lo sviluppo di modelli di pianificazione in radioterapia", afferma l'autore senior Xuejun Gu, professore associato di oncologia delle radiazioni presso la Stanford University.

Framework di segmentazione dell'apprendimento profondo guidato dalla registrazione

La registrazione dell'immagine è il primo dei due componenti del framework. L'algoritmo di registrazione genera contorni propagati dai contorni di pianificazione registrando il CT di pianificazione al CBCT online utilizzando approcci di registrazione rigidi o deformabili. I contorni risultanti per ogni OAR vengono inseriti nel modello di deep learning come maschere binarie. La seconda componente del framework è la segmentazione basata sul deep learning. Il modello genera otto canali di maschere di probabilità costituiti da OAR e "background" (ovvero, tutto ciò che non è un OAR). Il modello è ottimizzato riducendo al minimo la funzione volumetrica di perdita di Dadi morbidi.

Il team di Gu ha testato il framework su un set di dati interno sul cancro della testa e del collo composto da 37 pazienti trattati in un unico istituto. Tutte le immagini CBCT sono state acquisite su un sistema di imaging di bordo Varian TrueBeam utilizzando le stesse impostazioni della macchina e tutti i contorni CBCT sono stati delineati dallo stesso medico. Un dato paziente potrebbe non aver avuto una serie completa di OAR a causa della resezione chirurgica o dell'invasione del tumore. Il modello di deep learning ha impiegato meno di un secondo per generare le segmentazioni finali degli OAR quando sono stati forniti contorni CBCT registrati.

Rispetto alla sola registrazione o al deep learning, il framework di segmentazione dell'apprendimento profondo guidato dalla registrazione ha ottenuto una segmentazione più accurata misurata da metriche di distanza media. La struttura sembra anche essere meno suscettibile agli artefatti dell'immagine, come le striature degli impianti dentali.

Le prime fasi sono promettenti

I ricercatori affermano che il loro quadro, oltre a sfruttare le informazioni sulla posizione specifiche del paziente e la conoscenza basata sulla popolazione dei confini degli organi, è stabile anche con dati di allenamento limitati.

"Questo studio è significativo", afferma Gu. “In primo luogo, è un quadro generale. In secondo luogo, l'introduzione di un concetto di segmentazione specifico per il paziente non solo allevia la richiesta di dati per la formazione di modelli di deep learning, ma migliora anche l'accuratezza della segmentazione, poiché il modello è guidato da informazioni specifiche del paziente".

I ricercatori riconoscono gli ostacoli che devono affrontare andando avanti. La cura dei dati è una sfida sempre presente, poiché i contorni disegnati manualmente sono necessari per la convalida incrociata. Stanno conducendo ulteriori test di robustezza e generalizzabilità per vedere come si comporta il modello tra le istituzioni. Stanno anche pianificando uno studio prospettico sistematico. E, poiché la qualità delle immagini CBCT e dei protocolli di sagomatura può variare tra le istituzioni, i ricercatori raccomandano che ciascuna istituzione commissiona il proprio modello.

"Il quadro proposto per la registrazione guidata dal deep learning illuminerà i ricercatori a sviluppare modelli che incorporino le conoscenze pregresse", afferma Gu. "Ci auguriamo che l'impatto dello studio vada oltre la ricerca, il che significa che il modello addestrato può essere tradotto in clinica per assistere il trattamento dei pazienti".

Questo studio è stato pubblicato in Fisica medica.

Il post Il framework AI supera le sfide della segmentazione per la radioterapia adattativa online apparve prima Mondo della fisica.

• Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
• Criptofalco. Radar Altcoin. Prova gratuita.
• Fonte: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/