基于 nnU-NET 自动分割脑母积混榁多发放的剂量学比较
医学物理
2025-06-25 v2
摘要
本工作对使用卷积神经网络 nnU-NET 在患者医学影像中自动描绘脑母积混榁多发放体积的性能进行了初步评估。其目标是帮助准备接受硼中子捕获治疗（BNCT）的患者的治疗计划。BNCT 是一种基于将适量的硼浓度选择性地加载到肿瘤中，然后进行随后的低能中子照射的二元放射治疗。治疗效果的选择性基于硼药靶向癌细胞的能力，从而仅在肿瘤部位触发中子捕获并沉积致死剂量。尽管针对 BNCT 的束流针对肿瘤体积的精准调整不像其他放疗那么关键，但仍需要对肿瘤体积进行proper描绘，以评估安全且有效的剂量学。在临床应用中，该描绘必须由医生手动决定，但一个用于自动定义重要结构（如 gross 肿瘤体积（GTV）和器官风险（OAR））的工具将有助于使医学物理学家在批准或可能的放射治疗师的变更之前，评估初步定位和模拟剂量学。此外，初始描绘也会加速医生的工作。我们对 nnU-NET 进行了训练和测试，并通过不同的参数（如 Dice 系数）评估了其性能。为了更有意义地评估 BNCT，本工作首次分析了使用手动描绘和自动描绘的临床剂量学差异。
引用
@article{arxiv.2406.04908,
title = {Dosimetric comparison of the BNCT treatment planning performances when using a nnU-NET to automatically segment Glioblastoma Multiforme},
author = {Cristina Pezzi and Francesco Morosato and Barbara Marcaccio and Silva Bortolussi and Ricardo Luis Ramos and Valerio Vercesi and Ian Postuma and Setareh Fatemi},
journal= {arXiv preprint arXiv:2406.04908},
year = {2025}
}