Das KI-Framework überwindet Segmentierungsherausforderungen für die adaptive Online-Strahlentherapie

Online adaptive Strahlentherapie (ART) ermöglicht die Änderung oder Anpassung einer Behandlung als Reaktion auf zusätzliche InformationenB. Gewichtsverlust oder Veränderungen des Tumorvolumens, die zum Zeitpunkt der Behandlung bei einem Patienten festgestellt wurden. Eine solche Anpassung der Behandlungspläne könnte die Patientenergebnisse verbessern – Behandlungen, die ohne Anpassungen durchgeführt werden, könnten die Zielwerte unterdosieren oder gefährdete Organe (Organs-at-Risk, OARs) überdosieren.

Da die Bildgebung für ART erfolgt, während der Patient auf der Behandlungsliege liegt, müssen die Konturen der aufgenommenen Bilder schnell und genau sein. Der geringe Weichteilkontrast auf Cone-Beam-CT-Bildern (CBCT), die während der Online-ART aufgenommen wurden, kann jedoch die Abgrenzung verschiedener Strukturen erschweren. Es gibt auch eine begrenzte Verfügbarkeit von „Goldstandard“-Konturen für das Training von Deep-Learning-Modellen.

Ein neues Framework geht einige der Herausforderungen bei der Segmentierung von DVT-Bildern für Online-ART an, indem es ein Deep-Learning-Modell verwendet, um Konturen zu verfeinern, die in einem Planungs-CT registriert wurden. Das von Forschern am entwickelten Framework Universität von Texas Southwestern Medical Center und Stanford Universityist das erste Unternehmen, das ein registrierungsbasiertes Deep-Learning-Segmentierungsmodell zur Segmentierung von OARs bei Kopf-Hals-Tumoren anwendet (mindestens eine vorherige Studie hat Registrierungsinformationen in die Segmentierung bei Brustkrebs integriert).

„Da wir uns in einer Zeit befinden, in der datengesteuerte Modelle anstelle herkömmlicher Analysemodelle entwickelt werden, ist Vorwissen von entscheidender Bedeutung. In Strahlentherapiekliniken gibt es zahlreiche Vorinformationen. Die Nutzung dieser bereits vorhandenen Informationen ist ein Weg für die schnelle und genaue Entwicklung von Segmentierungs- und Planungsmodellen in der Strahlentherapie“, sagt der leitende Autor Xuejun Gu, außerordentlicher Professor für Radioonkologie an der Stanford University.

Registrierungsgesteuertes Deep-Learning-Segmentierungsframework

Die Bildregistrierung ist die erste von zwei Komponenten im Framework. Der Registrierungsalgorithmus generiert aus Planungskonturen abgeleitete Konturen, indem er die Planungs-CT mithilfe starrer oder verformbarer Registrierungsansätze beim Online-DVT registriert. Die resultierenden Konturen für jedes OAR werden als binäre Masken in das Deep-Learning-Modell eingegeben. Die zweite Komponente des Frameworks ist die auf Deep Learning basierende Segmentierung. Das Modell gibt acht Kanäle mit Wahrscheinlichkeitsmasken aus, die aus OARs und „Hintergrund“ (also allem, was kein OAR ist) bestehen. Das Modell wird durch Minimierung der volumetrischen Soft-Dice-Verlustfunktion optimiert.

Gus Team testete das Framework anhand eines internen Datensatzes zu Kopf-Hals-Krebs, der aus 37 Patienten bestand, die in einer einzigen Einrichtung behandelt wurden. Alle DVT-Bilder wurden mit einem Varian TrueBeam Onboard-Bildgebungssystem mit denselben Geräteeinstellungen aufgenommen und alle DVT-Konturen wurden vom selben Arzt abgegrenzt. Es kann sein, dass bei einem bestimmten Patienten aufgrund einer chirurgischen Resektion oder eines Tumoreingriffs kein vollständiger Satz OARs vorhanden war. Das Deep-Learning-Modell benötigte weniger als eine Sekunde, um endgültige Segmentierungen der OARs zu erstellen, wenn diese mit registrierten DVT-Konturen versehen waren.

Im Vergleich zur Registrierung oder zum Deep Learning allein erreichte das registrierungsgesteuerte Deep-Learning-Segmentierungsframework eine genauere Segmentierung, gemessen anhand distanzgemittelter Metriken. Das Gerüst scheint auch weniger anfällig für Bildartefakte zu sein, wie z. B. Streifenbildung durch Zahnimplantate.

Die frühen Stadien sind vielversprechend

Die Forscher behaupten, dass ihr Rahmenwerk nicht nur patientenspezifische Positionsinformationen und bevölkerungsbasiertes Wissen über Organgrenzen nutzt, sondern auch bei begrenzten Trainingsdaten stabil ist.

„Diese Studie ist bedeutsam“, sagt Gu. „Erstens ist es ein allgemeiner Rahmen. Zweitens verringert die Einführung eines patientenspezifischen Segmentierungskonzepts nicht nur die datenintensiven Anforderungen beim Training von Deep-Learning-Modellen, sondern verbessert auch die Segmentierungsgenauigkeit, da das Modell auf patientenspezifischen Informationen basiert.“

Die Forscher erkennen die Hindernisse an, mit denen sie in Zukunft konfrontiert sind. Die Datenkuratierung ist eine allgegenwärtige Herausforderung, da für die Kreuzvalidierung manuell gezeichnete Konturen erforderlich sind. Sie führen zusätzliche Robustheitstests und Generalisierbarkeitstests durch, um zu sehen, wie das Modell institutionenübergreifend funktioniert. Sie planen außerdem eine systematische prospektive Studie. Und da die Qualität der DVT-Bilder und Konturierungsprotokolle von Einrichtung zu Einrichtung unterschiedlich sein kann, empfehlen die Forscher, dass jede Einrichtung ihr eigenes Modell in Auftrag geben sollte.

„Der vorgeschlagene Deep-Learning-gesteuerte Registrierungsrahmen wird Forschern die Möglichkeit geben, Modelle zu entwickeln, die Vorwissen einbeziehen“, sagt Gu. „Wir hoffen, dass die Auswirkungen der Studie über die Forschung hinausgehen, was bedeutet, dass das trainierte Modell in die Klinik übertragen werden kann, um die Patientenbehandlung zu unterstützen.“

Diese Studie wurde veröffentlicht in Medizinische Physik.

Die Post Das KI-Framework überwindet Segmentierungsherausforderungen für die adaptive Online-Strahlentherapie erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/