目的通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAI...目的通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95%Hausdorff距离(HD95)和相对体积误差(RVE)。结果该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC:0.94 vs.0.79,HD95:2.09 mm vs.12.33 mm and RVE:1.16%vs.20.14%),DSC(t=3.78,P<0.05)和HD95(t=4.07,P<0.05)的差异有统计学意义;在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC:0.90 vs.0.91,HD95:3.78 mm vs.2.41 mm,RVE:3.61%vs.5.35%)也均有较好的一致性,但与单模态影像CT的自动分割结果相比,两个靶区的DSC和HD95的差异均无统计学意义(P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。展开更多
文摘目的通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95%Hausdorff距离(HD95)和相对体积误差(RVE)。结果该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC:0.94 vs.0.79,HD95:2.09 mm vs.12.33 mm and RVE:1.16%vs.20.14%),DSC(t=3.78,P<0.05)和HD95(t=4.07,P<0.05)的差异有统计学意义;在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC:0.90 vs.0.91,HD95:3.78 mm vs.2.41 mm,RVE:3.61%vs.5.35%)也均有较好的一致性,但与单模态影像CT的自动分割结果相比,两个靶区的DSC和HD95的差异均无统计学意义(P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。