Sztuczna inteligencja pokonuje wyzwania związane z segmentacją w przypadku radioterapii adaptacyjnej online

Adaptacyjna radioterapia online (ART) umożliwia zmianę lub dostosowanie leczenia w odpowiedzi na dodatkowe informacje, takie jak utrata masy ciała lub zmiany objętości guza, zebrane u pacjenta w czasie leczenia. Dostosowanie planów leczenia w ten sposób może poprawić wyniki pacjentów – terapie przeprowadzone bez korekt mogą spowodować niedostateczne dawki docelowe lub przedawkowanie narządów zagrożonych (OAR).

Ponieważ obrazowanie do ART odbywa się, gdy pacjent leży na kozetce zabiegowej, uzyskane obrazy muszą być szybko i dokładnie obrysowane. Niski kontrast tkanek miękkich na obrazach CT z wiązką stożkową (CBCT) uzyskanych podczas ART online może jednak utrudnić nakreślenie różnych struktur. Dostępność konturów „złotego standardu” do trenowania modeli głębokiego uczenia jest również ograniczona.

Nowe ramy rozwiązują niektóre wyzwania związane z segmentacją obrazów CBCT na potrzeby ART online, wykorzystując model głębokiego uczenia się do udoskonalania konturów zarejestrowanych w tomografii komputerowej do planowania. Ramy, opracowane przez naukowców z Południowo-zachodnie centrum medyczne University of Texas i Stanford University, jest pierwszym, który zastosował oparty na rejestracji model segmentacji głębokiego uczenia się do segmentacji OAR w nowotworach głowy i szyi (co najmniej jedno wcześniejsze badanie włączyła informacje rejestracyjne do segmentacji w raku klatki piersiowej).

„Ponieważ żyjemy w epoce opracowywania modeli opartych na danych, a nie konwencjonalnych modeli analitycznych, wcześniejsza wiedza ma kluczowe znaczenie. W klinikach radioterapii istnieje wiele wstępnych informacji. Dobre wykorzystanie tych wcześniejszych, istniejących informacji jest kierunkiem szybkiej, dokładnej segmentacji i planowania rozwoju modeli w radioterapii” – mówi starszy autor Xuejun Gu, profesor nadzwyczajny radioterapii onkologicznej na Uniwersytecie Stanforda.

Ramy segmentacji głębokiego uczenia się oparte na rejestracji

Rejestracja obrazu jest pierwszym z dwóch komponentów w ramach. Algorytm rejestracji generuje kontury propagowane z konturów planowania poprzez rejestrację planistycznego tomografu komputerowego w internetowym CBCT przy użyciu sztywnego lub odkształcalnego podejścia do rejestracji. Wynikowe kontury dla każdego OAR są wprowadzane do modelu głębokiego uczenia jako maski binarne. Drugim elementem struktury jest segmentacja oparta na głębokim uczeniu się. Model wyprowadza osiem kanałów masek prawdopodobieństwa składających się z OAR i „tła” (tj. wszystkiego, co nie jest OAR). Model został zoptymalizowany poprzez minimalizację wolumetrycznej miękkiej funkcji Lost Dice.

Zespół Gu przetestował ramy na wewnętrznym zbiorze danych dotyczących raka głowy i szyi, składającym się z 37 pacjentów leczonych w jednej instytucji. Wszystkie obrazy CBCT zostały uzyskane za pomocą pokładowego systemu obrazowania Varian TrueBeam przy użyciu tych samych ustawień maszyny, a wszystkie kontury CBCT zostały nakreślone przez tego samego lekarza. Każdy pacjent mógł nie mieć pełnego zestawu OAR z powodu chirurgicznej resekcji lub wkroczenia guza. Model głębokiego uczenia się potrzebował mniej niż jednej sekundy, aby wygenerować ostateczną segmentację OAR, gdy otrzymano zarejestrowane kontury CBCT.

W porównaniu z samą rejestracją lub głębokim uczeniem, ramy segmentacji głębokiego uczenia opartego na rejestracji osiągnęły dokładniejszą segmentację mierzoną za pomocą metryk uśrednionych na odległość. Podbudowa wydaje się również mniej podatna na artefakty obrazu, takie jak smugi z implantów dentystycznych.

Wczesne etapy są obiecujące

Naukowcy twierdzą, że ich ramy, oprócz wykorzystania informacji o położeniu specyficznych dla pacjenta i wiedzy o granicach narządów opartej na populacji, są stabilne nawet przy ograniczonych danych treningowych.

„To badanie jest znaczące”, mówi Gu. „Po pierwsze, są to ogólne ramy. Po drugie, wprowadzenie koncepcji segmentacji specyficznej dla pacjenta nie tylko zmniejsza zapotrzebowanie na dane podczas szkolenia modeli głębokiego uczenia się, ale także poprawia dokładność segmentacji, ponieważ model opiera się na informacjach specyficznych dla pacjenta”.

Naukowcy zdają sobie sprawę z przeszkód, jakie napotykają w przyszłości. Ochrona danych jest nieustannym wyzwaniem, ponieważ do walidacji krzyżowej wymagane są ręcznie rysowane kontury. Przeprowadzają dodatkowe testy solidności i testy możliwości uogólnienia, aby zobaczyć, jak model działa w różnych instytucjach. Planują również systematyczne badania prospektywne. A ponieważ jakość obrazów CBCT i protokołów konturowania może się różnić w zależności od instytucji, naukowcy zalecają, aby każda instytucja zamówiła własny model.

„Zaproponowane ramy rejestracji oparte na głębokim uczeniu się pomogą naukowcom opracować modele uwzględniające wcześniejszą wiedzę” — mówi Gu. „Mamy nadzieję, że wpływ badania wykracza poza badania naukowe, co oznacza, że ​​wyszkolony model można przenieść do kliniki, aby wspomóc leczenie pacjentów”.

To badanie zostało opublikowane w Fizyka medyczna.

Post Sztuczna inteligencja pokonuje wyzwania związane z segmentacją w przypadku radioterapii adaptacyjnej online pojawiła się najpierw na Świat Fizyki.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://physicsworld.com/a/ai-framework-overcomes-segmentation-challenges-for-online-adaptive-radiotherapy/