AI-raamwerk overwint segmentatie-uitdagingen voor online adaptieve radiotherapie

Online adaptieve bestralingstherapie (ART) maakt het mogelijk om een ​​behandeling te wijzigen of aan te passen naar aanleiding van aanvullende informatiezoals gewichtsverlies of veranderingen in tumorvolume, verzameld over een patiënt op het moment van de behandeling. Het op deze manier aanpassen van behandelplannen zou de resultaten voor de patiënt kunnen verbeteren - behandelingen die zonder aanpassingen worden uitgevoerd, kunnen doelen of een overdosis organen-at-risico (OAR's) onderdosis.

Aangezien beeldvorming voor ART plaatsvindt terwijl een patiënt op de behandelbank ligt, moeten de verkregen beelden snel en nauwkeurig worden gecontourd. Het lage weke-delencontrast op cone-beam CT (CBCT)-afbeeldingen die zijn verkregen tijdens online ART, kan het echter een uitdaging maken om verschillende structuren af ​​​​te bakenen. Er is ook een beperkte beschikbaarheid van 'gouden standaard'-contouren voor het trainen van deep-learningmodellen.

Een nieuw raamwerk pakt enkele van de uitdagingen aan bij het segmenteren van CBCT-afbeeldingen voor online ART door een diepgaand leermodel te gebruiken om contouren te verfijnen die zijn geregistreerd voor een plannings-CT. Het raamwerk, ontwikkeld door onderzoekers van de Universiteit van Texas Southwestern Medical Center en Stanford University, is de eerste die een op registratie gebaseerd deep-learning segmentatiemodel toepast om OAR's in hoofd-halskankers te segmenteren (ten minste één eerdere studie heeft registratie-informatie opgenomen voor segmentatie bij thoracale kankers).

“Omdat we ons in een tijdperk bevinden van het ontwikkelen van datagestuurde modellen in plaats van conventionele analytische modellen, is voorkennis van cruciaal belang. In radiotherapieklinieken is er veel voorinformatie. Het goed gebruiken van deze eerdere, bestaande informatie is een richting voor snelle, nauwkeurige segmentatie en de ontwikkeling van planningsmodellen in radiotherapie”, zegt senior auteur Xuejun Gu, een universitair hoofddocent stralingsoncologie aan de Stanford University.

Door registratie geleid segmentatiekader voor diep leren

Beeldregistratie is het eerste van twee componenten in het raamwerk. Het registratie-algoritme genereert contouren die zijn voortgeplant vanuit planningscontouren door de planning-CT te registreren in de online CBCT met behulp van rigide of vervormbare registratiebenaderingen. De resulterende contouren voor elke OAR worden als binaire maskers in het deep-learningmodel ingevoerd. Het tweede onderdeel van het raamwerk is segmentatie op basis van deep learning. Het model voert acht kanalen van waarschijnlijkheidsmaskers uit, bestaande uit OAR's en "achtergrond" (dwz alles wat geen OAR is). Het model is geoptimaliseerd door de volumetrische soft Dice loss-functie te minimaliseren.

Gu's team testte het raamwerk op een interne dataset voor hoofd-halskanker bestaande uit 37 patiënten die in één instelling werden behandeld. Alle CBCT-beelden werden verkregen op een Varian TrueBeam-beeldvormingssysteem aan boord met dezelfde machine-instellingen, en alle CBCT-contouren werden door dezelfde arts afgebakend. Een bepaalde patiënt heeft mogelijk geen volledige set OAR's gehad als gevolg van chirurgische resectie of aantasting van de tumor. Het deep-learningmodel kostte minder dan een seconde om de definitieve segmentaties van de OAR's te genereren wanneer ze waren voorzien van geregistreerde CBCT-contouren.

Vergeleken met alleen registratie of deep learning, bereikte het door registratie geleide segmentatiekader voor diep leren een nauwkeurigere segmentatie, gemeten aan de hand van afstandsgemiddelde metrieken. Ook lijkt het frame minder gevoelig voor beeldartefacten, zoals strepen van tandheelkundige implantaten.

Vroege stadia zijn veelbelovend

De onderzoekers beweren dat hun raamwerk, naast het profiteren van patiëntspecifieke positie-informatie en populatiegebaseerde kennis van orgaangrenzen, stabiel is, zelfs met beperkte trainingsgegevens.

"Deze studie is belangrijk", zegt Gu. “Ten eerste is het een algemeen kader. Ten tweede verlicht de introductie van een patiëntspecifiek segmentatieconcept niet alleen de data-eisende eis van het trainen van deep-learningmodellen, maar verbetert het ook de nauwkeurigheid van de segmentatie, aangezien het model wordt geleid door patiëntspecifieke informatie.”

De onderzoekers erkennen de obstakels waarmee ze in de toekomst worden geconfronteerd. Datacuratie is een altijd aanwezige uitdaging, omdat handmatig getekende contouren nodig zijn voor kruisvalidatie. Ze voeren aanvullende robuustheidstests en generaliseerbaarheidstests uit om te zien hoe het model presteert in instellingen. Ze plannen ook een systematisch prospectief onderzoek. En aangezien de kwaliteit van CBCT-beelden en contourprotocollen per instelling kan verschillen, raden de onderzoekers aan dat elke instelling haar eigen model laat bouwen.

"Het voorgestelde door deep learning geleide registratiekader zal onderzoekers helpen om modellen te ontwikkelen die voorkennis bevatten", zegt Gu. "We hopen dat de impact van de studie verder gaat dan onderzoek, wat betekent dat het getrainde model kan worden vertaald naar de kliniek om de behandeling van patiënten te ondersteunen."

Deze studie is gepubliceerd in Medische Fysica.

De post AI-raamwerk overwint segmentatie-uitdagingen voor online adaptieve radiotherapie verscheen eerst op Natuurkunde wereld.

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Bron: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/