基于 U-Net 的 CT 序列中全骨髓照射计划靶区分割
计算机视觉与模式识别
2023-11-14 v1 机器学习
摘要
放疗（RT）是包括急性淋巴细胞白血病（ALL）和急性髓系白血病（AML）在内的多种癌症治疗的关键组成部分。危险器官（OARs）与靶区的精确勾画对有效的治疗计划至关重要。相比全身照射（TBI），调强放疗（IMRT）技术如全骨髓照射（TMI）与全骨髓及淋巴结照射（TMLI）可提供更精准的辐射投递。然而，这些技术需要放射肿瘤科医生（RO）在电子计算机断层扫描（CT）中耗时的手动结构分割。本文中，我们提出一种基于深度学习的自动勾画方法，使用 U-Net 架构分割 TMLI 治疗的计划靶区（PTV）。我们在 Humanitas 研究医院 2011 至 2021 年间接受 TMLI 治疗的 100 名患者数据集上，以两种不同损失函数训练并比较了两个分割模型。尽管在淋巴结区域存在挑战，最佳模型在 PTV 分割上取得了 0.816 的平均 Dice 分数。我们的发现是开发分割模型的初步但重要一步，该模型有潜力为放射肿瘤科医生节省大量时间。这可允许治疗更多患者，从而提升临床实践效率与更具可重复性的勾画。
引用
@article{arxiv.2304.02353,
title = {Segmentation of Planning Target Volume in CT Series for Total Marrow Irradiation Using U-Net},
author = {Ricardo Coimbra Brioso and Damiano Dei and Ciro Franzese and Nicola Lambri and Daniele Loiacono and Pietro Mancosu and Marta Scorsetti},
journal= {arXiv preprint arXiv:2304.02353},
year = {2023}
}