原題
Personalized Deep Learning Model for Clinical Target Volume on Daily Cone Beam Computed Tomography in Breast Cancer Patients.
背景:本研究では、毎日のコーンビームコンピュータ断層撮影(CBCT)スキャンを用いて、乳癌放射線治療における臨床標的体積(CTV)のセグメンテーションを強化するための深層学習アルゴリズムを開発した。
方法:100人の患者からの240のCBCTスキャンを利用して、セグメンテーション精度を改善するために一般的なモデルと患者固有のモデルを組み合わせた2段階のトレーニングアプローチを採用した。
結果:意図的な深層オーバーフィット学習(IDOL)フレームワークの統合により、セグメンテーションメトリックが大幅に強化され、平均ダイス類似度係数が0.9611から0.9819に改善され、ハウスドルフ距離が4.0118 mmから1.3935 mmに減少した。
結論:患者特異的深層学習アルゴリズムは、乳癌におけるCTVセグメンテーション精度を有意に改善し、放射線治療におけるIDOLフレームワークのより広範な応用の可能性を示唆した。
Journal: Adv Radiat Oncol (CiteScore 2022: 4.5)
DOI: 10.1016/j.adro.2024.101580
PMID: 39258144
コメント