AccuLearning自动勾画临床靶区和危及器官用于宫颈癌术后放疗的可行性研究

目的从几何学和剂量学探讨AccuLearning(AL)建立宫颈癌术后临床靶区(CTV)和危及器官(OARs)自动勾画模型应用于临床的可行性。方法选取75例宫颈癌术后手动勾画CT数据,60例应用AL训练生成自动勾画模型,并对剩余15例进行自动勾画,同时将自动勾画图像上的放疗计划导入到手动勾画结构上,比较两种勾画方式的效率、戴斯相似系数(DSC)、豪斯多夫距离(HD)和剂量学差异。结果自动勾画时间明显小于手动勾画(P<0.05);各结构DSC值≥0.87;肠袋和直肠的HD值在10 mm左右,其余结构小于5 mm;剂量学评估CTV(D98、V90%、V95%、Dmean、HI)、肠袋(V50)和膀胱(V50)有显著性差异(P<0.05)。结论基于AL形成的宫颈癌术后自动勾画模型提高了放疗效率,OARs具有直接应用于临床的可能性,CTV仍需进一步修改。

鼻咽癌放射治疗危及器官自动勾画的几何和剂量学分析

目的 探讨分析鼻咽癌容积旋转调强放射治疗(VMAT)中危及器官(OAR)自动勾画(AS)的几何和剂量学准确度,并检验OAR勾画的几何和剂量学之间的相关性,为放射治疗(简称放疗)患者OAR勾画提供参考依据。方法 回顾性选择120例鼻咽癌放疗患者,其中男性84例,女性36例;年龄11~82岁,中位年龄55岁;病灶位于颅底与软腭之间,垂直径和横径各3~4 cm,前后径2~3 cm。其中随机数字法选择85例患者经AccuLearning深度学习训练平台训练形成AS模型,将AS模型导入AccuContour软件。利用AS模型勾画未训练的35例鼻咽癌放疗患者的18个OAR。比较AS与手动勾画(MS)OAR的几何度量有戴斯相似性系数(DSC)、杰卡德系数(JAC)、质心偏差(DC)、豪斯多夫距离(HD95)、对称位置平均表面距离(ASSD)、相对绝对体积差异(RAVD)。在同一个VMAT计划下,通过剂量体积直方图(DVH),比较AS与MS勾画的OAR剂量学参数。采用双尾Spearman来分析几何指标和剂量学绝对差异值之间的相关性。结果AS勾画的OAR轮廓与MS勾画的OAR轮廓具有差异性。几何指标DSC、JAC、RAVD勾画质量表现最佳的是下颌骨,其均值±标准差分别为0.94±0.01、0.88±0.02、6.34±4.13。左晶状体的HD95、ASSD结果最好,其均值±标准差分别为2.04±0.91、0.22±0.12。DC均值±标准差最佳的是右眼球,为0.93±0.77。DSC和JAC中勾画质量表现最差是视交叉,其均值±标准差分别为0.75±0.06、0.60±0.07。DC和HD95中勾画质量最差的OAR是左颞叶,其均值±标准差分别为5.22±2.30、11.89±3.82。口腔的ASSD均值±标准差表现最差,为1.30±0.41。右晶状体的RAVD均值±标准差表现最差,为29.03±16.51。所有OAR的MS剂量参数均值比AS的低,但AS的剂量值未超过剂量限定条件。配对t检验发现绝大部分OAR的剂量学参数差异无统计学意义,仅脊髓和脑干的剂量参数差异有统计学意义。双尾Spearman相关性检验显示没有OAR的几何指标和剂量绝对差异值(ΔDose)之间呈强相关性。结论 AccuContour AS软件对鼻咽癌放疗勾画OAR轮廓具有一定准确性,这为临床医生提高了工作效率。没有观察到AS几何指标和剂量差异之间的强相关性。

儿童全骨髓全淋巴照射靶区和危及器官自动勾画

目的:基于AccuLearning自动勾画训练系统探讨儿童全骨髓全淋巴照射(TMLI)靶区和危及器官自动勾画的可行性。方法:选取2018年至2022年期间30例接受TMLI照射的儿童患者进行研究。患者取仰卧位,采用飞利浦大孔径CT获取CT图像,对靶区和危及器官进行手动勾画和修改,将CT图像和勾画的靶区及危及器官轮廓传至AccuLearning系统,进行自动勾画模型的训练、验证和测试。对测试集中的6例TMLI患者自动勾画结果使用Dice相似性系数(DSC)、95%豪斯多夫距离和平均表面距离进行评估。结果:在6例测试集数据中,除晶体难以被自动勾画以外,其它各个靶区和危及器官中仅有1例患者的胃部DSC值为0.59,其余均大于0.70;6例患者胃的平均DSC值为0.76,其余各器官平均DSC值均大于0.80。结论:通过该模型自动勾画的靶区和危及器官经简单修改后可满足临床计划设计要求。

基于nnUnetv2算法的宫颈癌放疗患者直肠壁自动勾画效果评价

目的:基于人工智能算法研究直肠壁的自动勾画以及自动勾画直肠壁效果分析。方法:搜集2020至2023年在浏阳市人民医院接受放疗的191名宫颈癌患者的CT数据,由两位经验丰富的妇科医生进行直肠壁勾画,导出dicom数据及RT结构,运用nnUnetv2算法建立模型并进行训练,分析手动勾画与自动勾画的直肠壁戴斯系数和95%豪斯多夫距离,并且针对不同体积的直肠壁进行勾画效果分析。结果:自动勾画的整体直肠壁戴斯系数为0.85,内壁戴斯系数为0.92,外壁戴斯系数为0.94;整体直肠壁的95%豪斯多夫距离为3.03 mm,内壁为6.18 mm,外壁为4.99 mm,内外壁戴斯系数明显优于整体直肠壁系数,且外壁戴斯系数优于内壁,95%豪斯多夫距离整体直肠壁优于内外壁,对于有一定内容物(粪便或空气)的直肠壁,勾画效果比空直肠或者充盈的直肠要好;剂量学评估PTV的剂量参数,CI、HI以及直肠壁的V_(45)差异无统计学意义(P>0.05),但直肠壁的V_(40)及D_(mean)差异具有统计学意义(P<0.05),表明自动勾画的直肠壁对PTV的剂量参数无显著影响,但对器官本身的剂量参数有一定影响。结论:采用nnUnetv2算法进行直肠壁的自动勾画可以获得较好结果,能提升勾画效率及准确度,对计划剂量分布影响并不显著,可直接应用于临床计划设计。

深度学习对放疗影像进行盆腔肠管自动勾画的可行性研究

目的研究基于深度学习对放疗影像进行盆腔肠管自动勾画的可行性。方法随机选取2019—2021年在复旦大学附属中山医院接受放疗的直肠癌患者100例,随机选取其中60例作为训练模型病例,另40例作为测试病例。以手动肠管勾画为标准,基于深度学习自动分割软件AccuContour中的原始小肠模型,分别在60个模型病例中随机选取60、40、20(2组)个病例训练肠管勾画,获得4个训练模型Rec60、Rec40、Rec20A和Rec20B。使用40例测试病例评估原始模型与Rec60模型的Dice相似性系数(Dice similarity coefficient,DSC)、95%Hausdorff距离(95%Hausdorff distance,HD95)和平均对称表面距离(average symmetric surface distance,ASSD),并分别评估5组自动勾画的DSC。使用SPSS软件对几何参数进行配对t检验。结果训练后的勾画更接近手动勾画的肠管,能够较好地分辨肠管边界,可区分小肠与结肠。Rec60的平均DSC、HD95和ASSD分别较原始模型高0.16(P<0.001)、低12.4(P<0.001)和低5.14(P<0.001)。关于DSC,经配对t检验,4个训练模型与原始模型的差异均有统计学意义,Rec60与Rec40之间差异无统计学意义,Rec60和Rec40与Rec20A和Rec20B之间差异有统计学意义,Rec20A与Rec20B之间差异无统计学意义。结论对于放疗影像的自动勾画,模型训练能够有效提高肠管勾画的准确性。在AccuContour软件中40个及以上病例的训练集能够训练出盆腔肠管勾画的最优模型。

自动勾画技术在全乳内侧瘤床同步推量中的应用

目的 通过比较自动勾画(auto-segmentation, AS)与人工勾画(manually segmented, MS)结构的几何、剂量和工作时间差异,以评估自动勾画在全乳放疗内侧瘤床同步推量中应用的可行性与有效性。方法 选取遵义市第一人民医院收治的左侧乳腺癌保乳术后行单纯全乳大分割放疗内侧瘤床同期推量患者30例,采用戴斯系数(DSC)、95%豪斯多夫距离(95HD)评估软件AccuContour自动勾画的全乳计划靶区(PTV)和心肺结构几何差异;然后比较两组对应放疗计划PlanA和PlanM靶区和心肺剂量学差异;最后比较两组花费时间。结果 自动勾画实现了肿瘤计划靶区(PGTV)、PTV、肺和心脏DSC分别为0.94(0.91,0.96)、0.88(0.86,0.91)、0.98(0.97,0.98)和0.94(0.93,0.95),95HD(cm)分别为0.25(0.20,0.33)、0.99(0.56,1.20)、0.29(0.25,0.35)和0.50(0.50,0.59);剂量学结果显示AS组PGTV和PTV的V95、D95和Dmean明显低于人工勾画组(P <0.05),而左肺的V20和MLD明显增大(P <0.05),心脏剂量参数差异无统计学意义;两组PGTV和心肺的剂量参数平均绝对差异小于1 Gy/1%;工作效率上,自动勾画组中能在2 d内完成对超过70%的患者勾画和计划,时间大幅缩短。结论 与人工勾画相比,在全乳放疗内侧瘤床推量中自动勾画靶区和心肺的几何和剂量参数差异较小。如果在计划优化前对PTV人工略微修改,或可使工作效率显著提高。

基于深度学习的直肠癌放疗靶区和危及器官自动勾画

目的:基于改进Unet卷积神经网络模型,探讨模型应用于放射治疗中直肠癌靶区和危及器官分割的可行性。方法:研究回顾了120例直肠癌患者数据,随机选取80例作为训练集,20例作为验证集,20例作为测试集。自动分割勾画的目标包括了直肠癌的临床靶区(clinical target volume,CTV)、左侧股骨头、右侧股骨头、膀胱。采用戴斯相似性系数(Dice similarity coefficient,DSC)、豪斯多夫距离(Hausdorff distance,HD)和交并比(intersection over union,IoU)作为评价指标,网络模型自动勾画的结果与临床医生手动勾画结果进行比较,并与基于图谱的自动勾画技术(atlas-based automatic segmentation technique,ABAS)进行对比。结果:深度学习模型自动勾画CTV、膀胱、左侧股骨头和右侧股骨头的DSC值分别为0.90±0.06、0.95±0.11、0.98±0.01和0.96±0.05;95%HD值分别为(7.58±4.70)mm、(4.11±8.58)mm、(1.37±2.09)mm和(1.50±2.19)mm;IoU值分别为0.82±0.09、0.91±0.13、0.96±0.03和0.94±0.06。ABAS自动勾画CTV、膀胱、左侧股骨头和右侧股骨头的DSC值分别为0.83±0.13、0.68±0.27、0.89±0.12和0.88±0.13;95%HD值分别为(5.78±7.55)mm、(13.81±15.76)mm、(1.93±3.23)mm和(2.13±3.70)mm;IoU值分别为0.73±0.15、0.57±0.27、0.81±0.14和0.80±0.15。结论:基于改进Unet卷积神经网络模型在直肠癌的CTV和危及器官自动勾画任务中有较高准确率,应用于临床中能提高医生的工作效率和勾画一致性,有助于提升放射治疗的精准度,为后续自动化放疗计划设计的实现提供了支持。

磁共振图像引导下前列腺癌在线自适应放疗自动勾画研究

目的:探讨深度学习(deep learning,DL)和图谱库(Atlas)联合的MRI引导下在线自适应放疗自动勾画方案的勾画效果。方法:选取2020年1月至2021年9月在某院进行MRI引导下在线自适应放疗的15例前列腺癌患者,以随机抽样法分成训练集(12例)和测试集(3例)。基于训练集分别建立DL勾画和Atlas勾画的临床靶区(clinical target volume,CTV)和危及器官(organs at risk,OAR)模型,基于测试集分别对2种勾画模型的结果进行修改并记录修改时长。对比2种勾画方法的勾画精度[戴斯相似性系数(Dice similarity coefficient,DSC)、豪斯多夫距离(Hausdorff distance,HD)和平均一致性距离(mean distance to agreement,MDA)]和勾画效率。结合2种方法勾画的优势及特点,建立DL+Atlas联合自动勾画方案,对比DL+Atlas联合自动勾画方案与单独勾画方案的勾画用时。结果:勾画精度对比结果显示,与DL勾画的CTV和OAR模型相比,Atlas勾画的CTV各项指标均优于DL勾画,差异有统计学意义(P<0.05);在膀胱和直肠方面,Atlas勾画的DSC和MDA劣于DL勾画,差异有统计学意义(P<0.05)。勾画效率对比结果显示,医生以DL勾画为基准修改CTV和OAR的平均时间为9.4 min,以Atlas勾画为基准修改CTV和OAR的平均时间为12 min。DL+Atlas联合自动勾画方案所需平均时间为8 min,优于DL及Atlas单独勾画方案。结论:DL+Atlas联合的MRI引导下在线自适应放疗自动勾画方案勾画用时少,具有较高的准确性,可提升勾画效率。

基于深度学习算法的自动勾画系统在头颈部危及器官勾画精度的研究

目的:评估和分析3种基于深度学习技术的自动勾画系统在勾画头颈部危及器官(OAR)中的准确度。方法:以放疗医师手工勾画的OAR为标准,通过体积相似性系数(DSC)、豪斯多夫距离(HD)、感兴趣区域质心偏差(COMD)、过分割率(FNR)、欠分割率(FPR)、Jaccard系数(JC)、灵敏度指数(SI)及包容性系数(II)等参数评估PV-iCurve、RT-Mind和AccuContour自动勾画系统在头颈部OAR勾画的精度。结果:脑的FNR、JC、SI值,脑干的FPR、II值,左眼的FPR、FNR、JC、SI值,下颌骨的FPR、FNR、SI、II值,左腮腺的FPR、FNR、SI、II值及脊髓的DSC、FPR、JC、II值均显示3种勾画系统间存在统计学差异(P<0.05),只有脑干的HD、FNR、SI值和脊髓的HD值显示3种自动勾画系统勾画结果无统计学差异(P>0.05)。结论:通过多个参数的比较,发现3种软件在不同OAR勾画中的勾画精度不同,难以进行整体横向比较,因此这些参数仅作为参考,不能用于评估勾画结果作为临床治疗的标准,虽然3种软件都有较好的勾画结果,但仍需医师仔细审核和做必要的修改。

利用基于图像配准的深度学习方法提高磁共振引导前列腺癌放疗自动勾画精度

目的:改进在线磁共振图像中前列腺靶区和危及器官的自动勾画性能,提高磁共振引导前列腺癌在线自适应放射治疗的效率。方法:对40例接受磁共振引导在线自适应放射治疗的前列腺癌患者进行回顾性研究,其中训练集25例、验证集5例、测试集10例。将模拟定位图像与相应勾画信息和在线磁共振图像进行配准后输入深度学习网络,实现对磁共振图像的自动勾画,并与形变配准方法和单MR输入的深度学习方法进行比较。结果:本文方法的自动勾画准确性整体优于形变配准方法和单MR输入的深度学习方法,临床靶区、膀胱、直肠和左、右侧股骨头的平均Dice相似性指数分别达0.896、0.941、0.840、0.943和0.940。结论:本文方法能有效提高磁共振引导前列腺癌在线自适应放射治疗中自动勾画的准确性和效率。

人工智能自动勾画平台在教学中的应用

为解决目前放射肿瘤专业人才短缺的迫切需要,提升放射肿瘤学教学水平是关键。在当前的医学教育背景下,人工智能技术的广泛应用有助于医学教学更加便捷高效,具有较强的可行性。结合人工智能自动勾画平台的教学模式具有很强的创新性,是新型的放射肿瘤专科人才培养模式,符合当前医学教育的发展趋势,对提高放射肿瘤专业人才素质具有重要的现实意义。近年来,人工智能靶区勾画平台在医学领域具有巨大潜力,为适应医学教学的发展和满足学员学习的需求,教学改革势在必行。

基于深度学习技术的放疗靶区自动勾画系统设计与功能实现

为提高医务人员工作效率,满足患者及时、高效、精确治疗的需求,引入了一套基于危及器官(Organ At Risk,OAR)自动分割以及器官和组织三维重建等技术的放疗靶区自动勾画系统。该系统采用C++、Python、JavaScript、HTML、CSS等主流编程语言和脚本语言开发,基于可扩展的B/S软件架构,使用对象关系型数据库,支持超过100个客户端并发,系统的安全性、稳定性、响应速度等性能指标有效满足了临床科室的使用需求。该系统能辅助医生在放疗前完成对肿瘤及相关器官和组织的轮廓勾画,医生利用系统分析处理后的影像信息,确定肿瘤靶区和OAR的边界,为患者制订个性化放射治疗计划提供了依据。系统的应用提高了临床肿瘤靶区勾画的效率、精准度和患者满意度,改善了医患关系,提升了放疗科医疗、教学、科研等各项工作的质效。

基于U-Net结合改进算法对放疗危及器官自动勾画研究

目的:面向放疗危及器官自动勾画构建基于U-Net的模型并针对肝脏分割构建3种改进模型。方法:采集共计184例肝癌患者和183例头部放疗患者的计算机断层扫描(CT)图像及组织结构信息,并结合公开数据集Sliver07用于模型的训练与评估。通过搭建U-Net模型并针对肝脏分割分别结合空洞卷积、SLIC超像素算法、区域生长算法进行训练并得到预测模型,利用预测模型对自动勾画结果进行预测。采用交并比(IoU)和平均交并比(MIoU)评价预测结果的精确性。结果:测试集头部放疗危及器官自动勾画预测结果MIoU为0.795~0.970,肝脏分割使用U-Net预测结果MIoU约为0.876,使用改进后模型预测结果MIoU约为0.888,并很好地约束了预测偏差较大结果的出现,使得测试样本中IoU结果小于0.8的数量占比从16.67%降至7.5%。直观勾画方面结合改进算法的模型比U-Net更能捕捉到复杂、混淆性的边界区域。结论:构建U-Net模型能够在头部放疗危及器官和肝脏自动勾画上表现良好,3种改进的模型能够在肝脏分割上具有更优的表现。

基于深度学习的临床靶区与危及器官自动勾画方法在宫颈癌中的应用

目的探讨基于深度学习的临床靶区(CTV)与危及器官(OAR)自动勾画方法在宫颈癌中的应用,并评估其勾画精度,为临床提供参考。方法选取2021年1月至2022年12月中国人民解放军总医院第一医学中心130例宫颈癌患者的CT图像,由放疗医师统一勾画CTV及OAR。将其中100例患者的CT图像传至Manteia AccuLearning自主学习平台进行模型训练,并将训练好的模型导出至AccuContour自动勾画平台,对剩余30例患者进行CTV及OAR的自动勾画,与放疗医师手工勾画的结构进行比较。通过Dice相似系数(DSC)、95%Hausdorff距离(HD95)和对称位置的平均表面距离(ASSD)指标评价勾画效果。结果CTV的平均DSC为0.793,平均HD95为3.309 cm,平均ASSD为5.420 mm;对于OAR,除十二指肠和肠道外,左右肾、膀胱、左右股骨头、脊髓和直肠的平均DSC均≥0.836,平均HD95均≤3.323 mm,平均ASSD均≤1.881 mm。结论基于自主深度学习训练平台的OAR勾画方法可较为准确地实现宫颈癌患者CTV及OAR的自动勾画,提高工作效率。高度集成、流程化的深度学习自主训练平台可简便高效地完成对数据的清洗、参数调试与模型训练,大大提高临床应用的方便性,满足临床使用需求。

3种软件在头颈部肿瘤患者脑干结构自动勾画中的应用比较

目的 比较PVMED-iCurve、AccuContour和DeepViewer 3种国产软件自动勾画头颈部肿瘤患者脑干结构的准确性。方法 选取2021年1月至2022年10月收治的20例头颈部肿瘤患者为研究对象,分别使用PVMED-iCurve、AccuContour以及DeepViewer3种软件自动勾画头颈部肿瘤患者脑干结构。以手动勾画作为参考标准,通过对比上述3种自动勾画的体积差异(△V%)、Hausdorff距离(Hausdorff Distance,HD)和Dice相似性系数(Dice Similarity Coefficient,DSC),评估3种软件自动勾画脑干结构的效果。结果 PVMED-iCurve、AccuContour和DeepViewer 3种软件自动勾画头颈部肿瘤患者脑干结构的ΔV%分别为6.01%±17.77%、-2.49%±9.33%以及-9.68%±11.17%;HD分别为(7.74±3.05)、(2.83±1.18)、(4.00±2.16)mm;DSC分别为0.81±0.05、0.89±0.05以及0.85±0.06。3种软件两两比较,DSC差异均有统计学意义(P<0.05)。结论 3种软件自动勾画头颈部肿瘤患者脑干结构,均能达到较好的勾画效果。3种软件比较,AccuContour在自动勾画脑干的体积、位置和形状方面最好。

基于卷积神经网络的腮腺浅叶自动勾画研究

目的:评估基于卷积神经网络的自动勾画和在自动勾画的基础上进行手动修改的勾画对腮腺浅叶的分割效果。方法:随机选取于某院肿瘤科进行放射治疗的80例患者,均由高年资临床医生进行手动腮腺浅叶勾画,之后将其分为训练组(60例)和验证组(20例)。首先将训练组的患者数据导入AccuLearning进行训练学习得出算法模型;然后将算法模型导入自动勾画软件中对验证组进行自动勾画以及在自动勾画的基础上由低年资医生进行手动修改的勾画;最后以高年资医生所勾画的结构作为参考,通过相似性差异、重合性差异以及位置差异等评估勾画的准确性,并通过比较勾画时间评估自动勾画的效率。结果:以高年资医生的勾画作为参考,单纯的自动勾画相似性系数可达0.8,勾画时间缩短83.7%,但腮腺浅叶的边缘重合性较差;通过低年资医生修改的自动勾画相似性系数约为0.9,勾画时间缩短26.6%,腮腺浅叶的边缘重合性较好。结论:对于腮腺浅叶,单纯的自动勾画能够节省大量的时间并且取得较好的准确性,但是由于腮腺浅叶边界的一致性较差,医生对于自动勾画后轮廓的审查和手动修改仍然是十分必要的。

3种自动勾画软件对鼻咽癌危及器官勾画结果的对比分析

目的分析AccuContour、rtStation和PV-iCurve3种自动勾画软件勾画鼻咽癌危及器官的效果。方法随机选取广州中医药大学第一附属医院收治的30例鼻咽癌患者,由同一位医师人工勾画危及器官,分别使用3种软件进行自动勾画,以人工勾画结果为“金标准”,分别计算3种软件勾画结果的Dice相似性系数(Dice Similarity Coefficient,DSC)和Hausdorff距离(Hausdorff Distance,HD),比较3种软件勾画鼻咽癌危及器官的精确度。结果对于选取的14个危及器官,3种软件自动勾画的大部分器官的DSC均大于0.7,在视交叉和口腔这两个器官,rtStation勾画效果最优;对于其他器官的勾画,AccuContour则具有明显优势。rtStation与PV-iCurve相比,除脊髓和视交叉两个器官,rtStation均优于PV-iCurve,差异有统计学意义(P<0.05)。AccuContour与rtStation的勾画结果相比,AccuContour左眼球、左晶体、左视神经、脊髓和左颞叶这5个器官的HD均显著小于rtStation(P<0.05);对于视交叉和口腔,rtStation的勾画效果显著优于AccuContour(P<0.05)。AccuContour与PV-iCurve相比,AccuContour仅视交叉和口腔中HD大于PV-iCurve,其他12个器官,AccuContour的HD均小于PV-iCurve;rtStation和PV-iCurve相比,rtStation的HD均小于PV-iCurve,且除视交叉器官,其他13个器官两个软件比较差异均有统计学意义(P<0.05)。结论3种自动勾画软件各有优势,但在临床实际应用中,AccuContour在整体的勾画结果中效果最好,其次为rtStation。

自动勾画临床靶区和危及器官用于制定早期乳腺癌保乳术后放疗计划

目的观察自动勾画临床靶区(CTV)和危及器官(OAR)用于制定乳腺癌保乳术后放疗计划的可行性。方法选取52例女性早期右侧乳腺癌保乳术后患者,由医师于胸部CT图像中手动勾画CTV和OAR。采用AccuLearning^(TM)软件对其中40例(训练集)CT图像进行训练,生成自动勾画模型,并以之对其余12例(测试集)CT图像进行自动勾画,辅以手动修改获得CTV及OAR;分别根据手动和自动勾画的CTV和OAR制定放疗计划,即Plan-RS和Plan-DL,对比其CTV及OAR剂量学参数及勾画时间。结果测试集Plan-RS与Plan-DL的CTV剂量学参数差异均无统计学意义(P均>0.05);二者间健侧肺、心脏及健侧乳腺的平均放疗剂量(D_(mean))差异有统计学意义(P均<0.05),其余OAR剂量学参数差异均无统计学意义(P均>0.05)。手动勾画和自动勾画CTV平均用时分别为1006 s和239 s,前者长于后者(P<0.05);除脊髓外,自动勾画其他OAR用时较手动勾画缩短(P均<0.001)。结论自动勾画CTV和OAR可用于制定乳腺癌保乳术后放疗计划。

基于剂量预测和自动勾画技术的PET/CT器官内照射剂量率快速评估方法

目的:实现一种基于深度学习的剂量预测和自动勾画技术的正电子发射断层成像(PET)/CT检查器官内照射剂量率的快速评估方法。方法:首先基于患者特定时刻的PET/CT图像,使用蒙特卡罗程序GATE进行内照射剂量率计算,获得每个患者的剂量率分布图。随后,基于U-Net构建深度神经网络,将患者的CT和PET图像作为输入,GATE计算的剂量率图作为金标准进行训练。训练后的深度学习模型能够根据患者的CT和PET图像预测对应的剂量率分布。同时,使用勾画软件DeepViewer对患者CT图像中的器官和组织进行自动勾画,结合预测得到的剂量率分布结果计算相应器官和组织的吸收剂量率。使用50名患者的PET/CT数据,其中10份用于测试,其余40份进行4折交叉训练,每次使用30份用于训练,10份用于验证。将测试集结果与GATE和GPU蒙特卡罗工具ARCHER-NM进行对比。结果:在自动勾画软件DeepViewer勾画的24个器官中,绝大部分器官的深度学习预测剂量率与GATE计算结果偏差在±10%以内。其中大脑、心脏、肝脏、左肺、右肺的平均偏差分别为3.3%、1.1%、1.0%、-1.1%、0.0%,与GATE具有较好的一致性。使用GATE程序进行每名患者的内照射剂量率计算平均用时8.91 h,而使用深度神经网络模型进行内照射剂量率预测平均每名患者用时15.1 s,平均加速比达到2 120倍。和ARCHER-NM的对比表明,基于深度学习方法的剂量率预测具有速度优势,但在结果的可解释性方面还需要改善。结论:利用深度学习预测和自动勾画技术可以从PET/CT图像快速得到剂量率分布,有望作为一种PET/CT内照射剂量率快速评估方法,为临床核医学快速、实时地计算人体内照射吸收剂量提供一种新的解决方案。

基于nnU-Net的宫颈癌近距离治疗中高危临床靶区及危及器官的自动勾画

目的:基于一种深度学习卷积神经网络模型(nnU-Net)实现CT引导的宫颈癌近距离治疗中高危临床靶区(HR-CTV)及危及器官(OARs)的自动勾画,探讨其临床应用价值。方法:纳入医院已完成图像引导近距离治疗的63例未手术的局部晚期宫颈癌患者的CT图像作为研究数据,由1名高年资医师对所有HR-CTV及OARs(膀胱、直肠及乙状结肠)进行统一勾画,将手动勾画的HR-CTV及OARs作为金标准,模型自动勾画结果与作为金标准的手动勾画图像进行比较。采用Dice相似性系数(DSC)对勾画的HR-CTV及OARs的精准度进行评价。结果:HR-CTV、膀胱、直肠和乙状结肠的DSC值分别为0.903±0.015、0.948±0.011、0.903±0.008及0.803±0.024。结论:本模型可准确勾画HR-CTV、膀胱、直肠及乙状结肠,但放疗医生仍应该仔细检查勾画结果。