通过深度学习在放疗期间对人体切伦科夫成像中的生物形态学特征进行稳健的实时分割

切伦科夫成像能够实时可视化放射治疗 (RT) 期间兆伏级 X 射线或电子束对患者的照射。在这些图像中观察到的生物形态学特征，如脉管系统，是患者特异性的特征，可用于验证对精确 RT 治疗至关重要的定位和运动管理。然而，到目前为止，由于传统图像处理在特征分割方面的速度和准确性较慢，尚未利用这种基于生物特征的跟踪进行协同分析。本研究展示了首个用于此类应用的深度学习框架，实现了视频帧率处理。为了解决切伦科夫图像中这些特征标注有限的问题，应用了迁移学习策略。使用包含 20,529 张带有真实血管标注的视网膜图像块的眼底摄影数据集来预训练 ResNet 分割框架。随后，使用一个包含已知标注脉管掩膜的小型切伦科夫数据集（来自 19 名乳腺癌患者的 212 个治疗分次的 1,483 张图像）对模型进行微调，以实现准确的分割预测。该深度学习框架在另外 19 名患者上实现了对切伦科夫成像的生物形态学特征（包括皮下静脉、疤痕和色素沉着皮肤）的一致且快速的分割。模型的平均分割达到了 0.85 的 Dice 系数，每个实例的处理时间少于 0.7 毫秒。与传统的分割方法相比，该模型在输入图像变化和速度方面表现出卓越的一致性，为前瞻性环境中实时监测的在线分割奠定了基础。