使用深度学习二元分类模型预测无参考标志的肺肿瘤跟踪成功的临床候选者
摘要：通过肺部小肿瘤无标记组织跟踪技术，CyberKnife系统可以提供肺部SBRT治疗。然而，并非所有肺癌患者都适合进行肺部肿瘤跟踪。肿瘤的大小、密度和位置会影响在二维正交X射线图像上成功检测和追踪肺部病变的能力。目前采用的标准工作流程为肺部优化治疗（LOT）模拟，包括从CT扫描到在CyberKnife上执行模拟计划的多个步骤。这项研究的目的是开发一个深度学习分类模型，预测哪些患者可以成功进行肺部肿瘤跟踪，从而避免LOT模拟流程。 通过将正交X射线图像与从模拟CT扫描重建的数字放射图像库（DRRs）匹配，可以实现目标跟踪。我们开发了一个深度学习模型，在CyberKnife系统中使用肿瘤模板DRR，对肺部病变进行二元分类，判断其是否可追踪，并测试了五种不同的网络架构。本研究共包括129名患者（肺部病变数为1个或多个）的271张图像（230张可追踪，41张不可追踪）。其中80％的图像用于训练，10％用于验证，剩下的10％用于测试。 对于所有五个卷积神经网络，经过训练后，二元分类准确率在验证和测试集中达到了100％，没有任何错误分类。 深度学习模型可以在DRR图像中区分可追踪和不可追踪病变的特征，并可以预测肺部肿瘤无标记跟踪的成功候选人。
作者：Matthieu Lafreni`ere, Gilmer Valdes, Martina Descovich
论文ID：2210.05079
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-08-24