AI-ramverket övervinner segmenteringsutmaningar för adaptiv strålterapi online

Tidsstämpel: 16 juni 2022 5:00
Källnod: 1406185

Online adaptiv strålterapi (ART) gör att en behandling kan ändras eller anpassas som svar på ytterligare information, såsom viktminskning eller förändringar i tumörvolym, samlat om en patient vid tidpunkten för behandlingen. Att anpassa behandlingsplaner på detta sätt kan förbättra patientresultaten – behandlingar som levereras utan justeringar kan underdosera mål eller överdosera riskorgan (OARs).

Eftersom avbildning för ART sker medan en patient ligger på behandlingssoffan, måste de förvärvade bilderna kontureras snabbt och exakt. Den låga mjukvävnadskontrasten på cone-beam CT (CBCT) bilder som förvärvats under online ART kan dock göra det utmanande att avgränsa olika strukturer. Det finns också begränsad tillgång till "gold standard"-konturer för träning av djupinlärningsmodeller.

Ett nytt ramverk tar itu med några av utmaningarna med att segmentera CBCT-bilder för online-ART genom att använda en djupinlärningsmodell för att förfina konturer som registrerats för en planerande CT. Ramverket, utvecklat av forskare vid University of Texas Southwestern Medical Center och Stanford University, är den första att tillämpa en registreringsbaserad segmenteringsmodell för djupinlärning för att segmentera OARs i huvud- och halscancer (minst en tidigare studie har införlivat registreringsinformation för segmentering i bröstcancer).

"Eftersom vi befinner oss i en tid av att utveckla datadrivna modeller snarare än konventionella analytiska modeller, är förkunskaper avgörande. På strålterapikliniker finns riklig förhandsinformation. Att använda denna tidigare, befintliga information väl är en riktning för snabb noggrann segmentering och utveckling av planeringsmodeller inom strålterapi, säger senior författare. Xuejun Gu, en docent i strålningsonkologi vid Stanford University.

Registreringsvägledd segmenteringsram för djupinlärning

Bildregistrering är den första av två komponenter i ramverket. Registreringsalgoritmen genererar konturer som fortplantas från planeringskonturer genom att registrera planerings-CT till online-CBCT med hjälp av stela eller deformerbara registreringsmetoder. De resulterande konturerna för varje OAR matas in i djupinlärningsmodellen som binära masker. Den andra komponenten i ramverket är djupinlärningsbaserad segmentering. Modellen matar ut åtta kanaler med sannolikhetsmasker bestående av OAR och "bakgrund" (dvs allt som inte är ett OAR). Modellen är optimerad genom att minimera den volymetriska mjuka tärningsförlustfunktionen.

googletag.cmd.push (funktion () {googletag.display ('div-gpt-ad-3759129-1');});

Gus team testade ramverket på ett internt huvud- och halscancerdataset bestående av 37 patienter som behandlades på en enda institution. Alla CBCT-bilder förvärvades på ett Varian TrueBeam inbyggt bildsystem med samma maskininställningar, och alla CBCT-konturer avgränsades av samma läkare. En given patient kanske inte har haft en komplett uppsättning OARs på grund av kirurgisk resektion eller tumörintrång. Det tog djupinlärningsmodellen mindre än en sekund att generera slutliga segmentering av OAR när den försågs med registrerade CBCT-konturer.

Jämfört med registrering eller enbart djupinlärning, uppnådde det registreringsstyrda segmenteringsramverket för djupinlärning en mer exakt segmentering mätt med mätvärden för avståndsmedelvärde. Ramverket verkar också vara mindre mottagligt för bildartefakter, såsom ränder från tandimplantat.

Tidiga stadier är lovande

Forskarna hävdar att deras ramverk, förutom att dra nytta av patientspecifik positionsinformation och befolkningsbaserad kunskap om organgränser, är stabil även med begränsad träningsdata.

"Denna studie är betydande," säger Gu. "För det första är det ett generellt ramverk. För det andra, införandet av ett patientspecifikt segmenteringskoncept lindrar inte bara det datakrävande kravet på att träna modeller för djupinlärning utan förbättrar också segmenteringsnoggrannheten, eftersom modellen styrs av patientspecifik information.”

Forskarna erkänner de hinder de möter framöver. Datakurering är en ständigt närvarande utmaning, eftersom manuellt ritade konturer krävs för korsvalidering. De genomför ytterligare robusthetstester och generaliserbarhetstester för att se hur modellen presterar mellan institutioner. De planerar också en systematisk prospektiv studie. Och eftersom kvaliteten på CBCT-bilder och konturprotokoll kan variera mellan institutioner, rekommenderar forskarna att varje institution beställer sin egen modell.

"Det föreslagna ramverket för registrering av djupt lärande kommer att upplysa forskare att utveckla modeller som inkluderar förkunskaper", säger Gu. "Vi hoppas att effekten av studien är bortom forskning, vilket innebär att den utbildade modellen kan översättas till kliniken för att hjälpa patientbehandling."

Denna studie publicerades i Medicinsk fysik.

Sun NuclearAI i Medical Physics Week stöds av Sun Nuclear, en tillverkare av patientsäkerhetslösningar för strålbehandling och diagnostiska bildbehandlingscentra. Besök www.sunnuclear.com ta reda på mer.

Posten AI-ramverket övervinner segmenteringsutmaningar för adaptiv strålterapi online visades först på Fysikvärlden.

Tidsstämpel:

Mer från Fysikvärlden