Глубокое обучение позволило разграничить объемы целого

Apr 24, 2023

Nature Communications, том 13, номер статьи: 6566 (2022 г.) Цитировать эту статью

6150 Доступов

3 цитаты

7 Альтметрика

Подробности о метриках

При лучевой терапии онкологических больных обязательным процессом является определение границ органов риска (ОАР) и опухолей. Однако это самый трудоемкий этап, поскольку онкологи-радиологи всегда должны проводить разграничение вручную. Здесь мы предлагаем облегченную структуру глубокого обучения для планирования лучевой терапии (RTP), названную RTP-Net, для обеспечения автоматической, быстрой и точной инициализации OAR и опухолей всего тела. Вкратце, структура реализует каскадную сегментацию от грубого к мелкому с адаптивным модулем как для малых, так и для больших органов, а также механизмами внимания для органов и границ. Наши эксперименты демонстрируют три преимущества: 1) Тщательно оценивают 67 задач по разграничению на крупномасштабном наборе данных из 28 581 случая; 2) Демонстрирует сопоставимую или превосходящую точность со средним значением Дайса 0,95; 3) Обеспечивает разграничение практически в реальном времени в большинстве задач за время <2 с. Эту структуру можно использовать для ускорения процесса контурирования в схеме лучевой терапии «все в одном» и, таким образом, значительно сократить время лечения пациентов.

Рак считается основным бременем болезней, заболеваемость и смертность которого быстро растут во всем мире1,2,3. По оценкам, в 2040 году произойдет 28,4 миллиона новых случаев рака, что на 47,2% больше, чем соответствующие 19,3 миллиона новых случаев рака, которые произошли в 2020 году. онкологических больных, получающих льготы от RT4,5,6. Учитывая, что высокоэнергетическое излучение может повредить генетический материал как раковых, так и нормальных клеток, важно сбалансировать эффективность и безопасность ЛТ, которая во многом зависит от распределения дозы облучения, а также функционального состояния органов - при -риск (ОАР)6,7,8,9. Точное разграничение опухолей и ОАР может напрямую влиять на результаты лучевой терапии, поскольку неточное разграничение может привести к передозировке или недостаточной дозировке и увеличить риск токсичности или снизить эффективность опухолей. Следовательно, чтобы доставить назначенную дозу к целевой опухоли, одновременно защищая OAR, крайне необходима точная сегментация.

Рутинный клинический рабочий процесс лучевой терапии можно разделить на четыре этапа, включая (1) получение КТ-изображений и первоначальную диагностику, (2) планирование лучевой терапии (RTP), (3) проведение лучевой терапии и (4) последующий уход. Этим руководит группа медицинских работников, таких как онкологи-радиологи, медицинские дозиметристы, лучевые терапевты и т. д.10,11. Как правило, на этапе RTP контурирование ОАР и целевых опухолей выполняется вручную онкологами-радиологами и дозиметристами. Обратите внимание, что воспроизводимость и последовательность ручной сегментации затруднены из-за вариабельности внутри и между наблюдателями12. Кроме того, ручной процесс требует очень много времени и часто занимает часы или даже дни на одного пациента, что приводит к значительным задержкам в лечении лучевой терапией12,13. Поэтому желательно разработать подход быстрой сегментации для достижения точного и последовательного разграничения как OAR, так и целевых опухолей.

Совсем недавно сегментация на основе глубокого обучения продемонстрировала огромный потенциал в обеспечении точных и последовательных результатов10,11,14,15,16 по сравнению с большинством подходов классификации и регрессии, таких как контурирование на основе атласа, статистическое моделирование форм и т. д.17 ,18,19,20. Наиболее популярной архитектурой являются сверточные нейронные сети (CNN)21,22,23, включая U-Net24,25, V-Net26, а также nnU-Net27, которые достигают отличных результатов в соревнованиях по сегментации медицинских изображений Decathlon. Кроме того, другие гибридные алгоритмы также показали выдающуюся производительность сегментации28,29,30, например, Swin UNETR31. Однако алгоритму, основанному на глубоком обучении, требуются определенные вычислительные ресурсы, такие как память графического процессора (GPU), особенно для обработки трехмерных изображений13, что приводит к ограничению клинических применений на практике.