用于全骨髓与淋巴结照射的计划靶体积的基于深度学习的自动分割
计算机视觉与模式识别
2024-02-12 v1 机器学习
摘要
为了优化癌症治疗的放射治疗实施，特别是在处理诸如全骨髓与淋巴结照射（TMLI）等复杂治疗时，准确勾画计划靶体积（PTV）至关重要。遗憾的是，依赖人工勾画此类治疗既耗时又容易出错。在本文中，我们研究了深度学习（DL）在自动化 TMLI 治疗中 PTV 分割的应用，建立在先前引入的基于 2D U-Net 模型解决此问题的工作之上。我们扩展了先前的研究， 通过采用 nnU-Net 框架开发 2D 和 3D U-Net 模型， 通过在排除骨骼的 PTV 上评估训练好的模型，这些骨骼主要由淋巴结组成，代表靶体积中最具挑战性的分割区域。我们的结果表明，nnU-Net 框架的引入在分割性能上带来了统计学上的显著提升。此外，对排除骨骼后的 PTV 的分析表明，模型在靶体积最具挑战性的区域也相当稳健。总体而言，我们的研究是深度学习在 TMLI 等复杂放射治疗应用中迈出的重要一步，提供了一种可行且可扩展的解决方案，以增加能够从该治疗中受益的患者数量。
引用
@article{arxiv.2402.06494,
title = {Deep Learning-Based Auto-Segmentation of Planning Target Volume for Total Marrow and Lymph Node Irradiation},
author = {Ricardo Coimbra Brioso and Damiano Dei and Nicola Lambri and Daniele Loiacono and Pietro Mancosu and Marta Scorsetti},
journal= {arXiv preprint arXiv:2402.06494},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2304.02353