Segmentation of Planning Target Volume in CT Series for Total Marrow Irradiation Using U-Net

要約

タイトル：U-Netを用いた全骨髄放射線治療におけるCTシリーズの計画目標体積のセグメンテーション

要約：
– 放射線治療は、急性リンパ芽球性白血病（ALL）や急性骨髄性白血病（AML）を含む様々ながんの治療において重要な要素である。
– 有害臓器（OAR）や標的領域の正確な描出は、効果的な治療計画のために必要である。
– Total Marrow Irradiation（TMI）やTotal Marrow and Lymph node Irradiation（TMLI）といったIntensity Modulated Radiotherapy（IMRT）技術は、Total Body Irradiation（TBI）に比べてより精密な放射線照射を提供するが、これらの技術には計算機断層撮影（CT）スキャン上の構造物の手動セグメンテーションに時間がかかるという課題がある。
– 本論文では、U-Netアーキテクチャを使用したTMLI治療用の計画目標体積（PTV）のセグメンテーションのための深層学習ベースの自動輪郭形成方法を提案する。
– 2011年から2021年までにHumanitas Research HospitalでTMLI治療を受けた100人の患者のデータセットで、2つの異なる損失関数を使用した2つのセグメンテーションモデルを訓練して比較した。
– リンパ節領域における課題があるにもかかわらず、最高のモデルはPTVセグメンテーションの平均Diceスコア0.816を達成した。
– この研究は、放射線腫瘍医に bet365正式官网大量の時間を節約する可能性のあるセグメンテーションモデルを開発するための初期の重要な一歩である。これは、より多くの患者を治療し、臨床実践の効率を向上させ、より再現性のある輪郭を提供することができる。

要約(オリジナル)

Radiotherapy (RT) is a key component in the treatment of various cancers, including Acute Lymphocytic Leukemia (ALL) and Acute Myelogenous Leukemia (AML). Precise delineation of organs at risk (OARs) and target areas is essential for effective treatment planning. Intensity Modulated Radiotherapy (IMRT) techniques, such as Total Marrow Irradiation (TMI) and Total Marrow and Lymph node Irradiation (TMLI), provide more precise radiation delivery compared to Total Body Irradiation (TBI). However, these techniques require time-consuming manual segmentation of structures in Computerized Tomography (CT) scans by the Radiation Oncologist (RO). In this paper, we present a deep learning-based auto-contouring method for segmenting Planning Target Volume (PTV) for TMLI treatment using the U-Net architecture. We trained and compared two segmentation models with two different loss functions on a dataset of 100 patients treated with TMLI at the Humanitas Research Hospital between 2011 and 2021. Despite challenges in lymph node areas, the best model achieved an average Dice score of 0.816 for PTV segmentation. Our findings are a preliminary but significant step towards developing a segmentation model that has the potential to save radiation oncologists a considerable amount of time. This could allow for the treatment of more patients, resulting in improved clinical practice efficiency and more reproducible contours.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI