Deep Learning-Based Auto-Segmentation of Planning Target Volume for Total Marrow and Lymph Node Irradiation

要約

がん治療における放射線療法の照射を最適化するには、特に全骨髄およびリンパ節照射 (TMLI) などの複雑な治療を扱う場合、計画目標体積 (PTV) の正確な輪郭が重要です。
残念ながら、このような治療を手動の輪郭形成に頼るのは時間がかかり、間違いが発生しやすくなります。
この論文では、2D U-Net モデルに基づいてこの問題の解決策を導入した以前の研究に基づいて、TMLI 治療における PTV のセグメンテーションを自動化するための深層学習 (DL) のアプリケーションを調査します。
我々は、(i) nnU-Net フレームワークを使用して 2D と 3D の両方の U-Net モデルを開発することにより、(ii) 主にリンパ節から構成される骨を除外して、PTV 上で訓練されたモデルを評価することにより、以前の研究を拡張します。
ターゲット ボリュームのセグメント化が最も困難な領域を表します。
私たちの結果は、nnU-NET フレームワークの導入により、セグメンテーションのパフォーマンスが統計的に有意に向上したことを示しています。
さらに、骨を除外した後の PTV の分析では、モデルがターゲット ボリュームの最も困難な領域でも非常に堅牢であることが示されました。
全体として、私たちの研究は、TMLIなどの複雑な放射線療法治療におけるDLの適用において重要な前進であり、この治療の恩恵を受ける患者の数を増やすための実行可能かつ拡張可能なソリューションを提供します。

要約(オリジナル)

In order to optimize the radiotherapy delivery for cancer treatment, especially when dealing with complex treatments such as Total Marrow and Lymph Node Irradiation (TMLI), the accurate contouring of the Planning Target Volume (PTV) is crucial. Unfortunately, relying on manual contouring for such treatments is time-consuming and prone to errors. In this paper, we investigate the application of Deep Learning (DL) to automate the segmentation of the PTV in TMLI treatment, building upon previous work that introduced a solution to this problem based on a 2D U-Net model. We extend the previous research (i) by employing the nnU-Net framework to develop both 2D and 3D U-Net models and (ii) by evaluating the trained models on the PTV with the exclusion of bones, which consist mainly of lymp-nodes and represent the most challenging region of the target volume to segment. Our result show that the introduction of nnU-NET framework led to statistically significant improvement in the segmentation performance. In addition, the analysis on the PTV after the exclusion of bones showed that the models are quite robust also on the most challenging areas of the target volume. Overall, our study is a significant step forward in the application of DL in a complex radiotherapy treatment such as TMLI, offering a viable and scalable solution to increase the number of patients who can benefit from this treatment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google