基于深度学习的儿科上腹部放疗器官/风险器官自动轮廓勾画
图像与视频处理
2024-11-04 v1 人工智能
计算机视觉与模式识别
医学物理
摘要
目的：本研究旨在开发一种基于计算机断层扫描（CT）的多器官分割模型，用于勾勒儿科上腹部肿瘤的风险器官（OAR），并评估其在多个数据集上的鲁棒性。材料与方法：使用儿科肾肿瘤和神经母细胞瘤患者的院内术后CT（n=189）以及覆盖胸腹区域的公共数据集（n=189）。共勾勒17个OAR：其中9个由临床医生勾勒（Type 1），8个使用TotalSegmentator勾勒（Type 2）。使用院内数据训练自动分割模型（ModelPMC-UMCU），并使用公共与院内合并数据训练（Model-Combined）。采用Dice相似系数（DSC）、95% Hausdorff距离（HD95）和平均表面距离（MSD）评估性能。两名临床医生对15例患者的轮廓按5分Likert量表进行临床可接受性评分。模型鲁棒性针对性别、年龄、静脉对比剂和肿瘤类型进行评估。结果：Model-PMC-UMCU在9个OAR中有5个的平均DSC高于0.95，脾脏和心脏介于0.90至0.95之间。胃-肠和胰腺的DSC低于0.90。Model-Combined在两个数据集上均表现出更好的鲁棒性。临床评估显示良好的可用性，两名临床医生对9个Type 1 OAR中的6个评分高于4分，对8个Type 2 OAR中的6个评分高于3分。仅在两个数据集的年龄组间发现显著性能差异，具体在左肺和胰腺。0-2岁年龄组表现最低。结论：开发了一种多器官分割模型，在合并数据集上训练时展现出增强的鲁棒性。该模型适用于多种OAR，并可在临床环境中应用于多个数据集。
引用
@article{arxiv.2411.00594,
title = {Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy},
author = {Mianyong Ding and Matteo Maspero and Annemieke S Littooij and Martine van Grotel and Raquel Davila Fajardo and Max M van Noesel and Marry M van den Heuvel-Eibrink and Geert O Janssens},
journal= {arXiv preprint arXiv:2411.00594},
year = {2024}
}
备注
23 pages, 5 figures, 1 table. Submitted to Radiotherapy and Oncology (2024-11-01)