基于AI的MR-Linac图像中时间变化检测：用于常规前列腺放疗
图像与视频处理
2026-04-22 v2 人工智能
机器学习
摘要
目的：探讨基于AI的方法是否能够检测前列腺放疗期间在MR-Linac图像中捕获的细微跨组变化，并探讨MRLinac成像的更广泛潜力。方法：本回顾性研究包括761例患者的纵向0.35T MR-Linac图像。为识别时间变化，我们采用了使用时间顺序通过两两比较的深度学习模型，此方法已显示有效用于纵向影像研究。该模型使用第一组与最后一组(F1-FL)的配对以及所有配對(All-pairs)进行训练。通过定量指标(准确率和AUC)和与放射科医师的表现进行比较来评估性能。采用显热图进行定性评估，这些图识别与时间影像变化相关的解剖区域。结果：F1-FL模型表现优异(AUC=0.99，准确率=0.95)，在时间排序任务中超过放射科医师。All-pairs模型也表现良好(AUC=0.97，准确率=0.91)。预测贡献区域包括前列腺、膀胱和PUBIC SYMPHYSIS。性能与组间间隔相关，对非放射暴露时间点(模拟和F1)的性能较低，这表明所观察到的变化可能反映了时间变化和辐照暴露。结论：MR-Linac成像似乎能够捕获前列腺放疗期间可被AI模型检测到的细微变化，即使在约两天的间隔内也可实现。该模型的高性能，以及定量和定性分析，支持MR-Linac在图像引导之外的临床应用的潜在作用。
引用
@article{arxiv.2602.04983,
title = {AI-Based Detection of Temporal Changes in MR-Linac Images Acquired During Routine Prostate Radiotherapy},
author = {Seungbin Park and Peilin Wang and Ryan Pennell and Emily S. Weg and Himanshu Nagar and Timothy McClure and Mert R. Sabuncu and Daniel Margolis and Heejong Kim},
journal= {arXiv preprint arXiv:2602.04983},
year = {2026}
}