文献

J-GLOBAL ID：202202283174786485   整理番号：22A1025945

修正DenseNet深層学習ネットワークに基づく非小細胞肺癌放射線治療におけるリスク(OARs)での器官の自動描写の幾何学的および線量測定的評価【JST・京大機械翻訳】

Geometric and Dosimetric Evaluation of the Automatic Delineation of Organs at Risk (OARs) in Non-Small-Cell Lung Cancer Radiotherapy Based on a Modified DenseNet Deep Learning Network

著者 (8件)： Zhang Fuli (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China) ,  Wang Qiusheng (2School of Automation Science and Electrical Engineering, Beihang University, Beijing, China) ,  Yang Anning (2School of Automation Science and Electrical Engineering, Beihang University, Beijing, China) ,  Lu Na (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China) ,  Jiang Huayong (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China) ,  Chen Diandian (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China) ,  Yu Yanjun (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China) ,  Wang Yadi (1Radiation Oncology Department, The Seventh Medical Center of Chinese People’s Liberation Army (PLA) General Hospital, Beijing, China)
資料名： Frontiers in Oncology (Web)  (Frontiers in Oncology (Web))
巻： 12  ページ： 861857  発行年： 2022年 
JST資料番号： U7089A  ISSN： 2234-943X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 目的:修正高密度Netに基づく胸部CT画像におけるリスク(OAR)の臓器に対するエンドツーエンド自動セグメンテーションモデルを導入し,放射線腫瘍医の作業負荷を低減する。材料と方法:36例の肺癌患者のコンピュータ断層撮影(CT)画像を本研究に含めた,そのうち27例の患者の画像を訓練セットとしてランダムに選択し,9例の患者を試験セットとした。検証セットは交差検証によって作り出され,6例の患者の画像は検証セットとして各時代の間に訓練セットからランダムに選択された。左および右肺,脊髄,心臓,気管および食道の自動セグメンテーション作業を実施し,全体の訓練時間は約5時間であった。Dice類似性係数(DSC),95%Hausdorff距離(HD95)および平均表面距離(ASD)を含む幾何学的評価尺度を用いて,提案モデルに基づくOARsの自動セグメンテーション性能を評価し,ベンチマークとしてU-Netに基づくものと比較した。次に,2セットの処理計画を手動輪郭ターゲットとOARs(Plan1),ならびに手動輪郭ターゲットと自動輪郭OARs(Plan2)に基づいて最適化した。OARsのD_max,D_meanおよびV_xを含む線量測定パラメータを得て比較した。【結果】提案モデルのDSC,HD95およびASDは,U-Netのものより良かった。脊髄と食道のDSCの差,脊髄のHD95における差異,心臓,気管と食道,ならびに脊髄のASDにおける差異は,2つのモデルの間で統計的に有意だった(P<0.05)。2セットの計画の線量-体積パラメータの差は統計的に有意ではなかった(P>0.05)。さらに,手動セグメンテーションと比較して,自動セグメンテーションは輪郭時間を約40.7%減少させた(P<0.05)。結論:両側肺,脊髄,心臓および気管は,本研究で提案したモデルを用いて正確に描写できた;しかし,食道の自動セグメンテーション効果は,さらに改善されなければならない。特徴マップ再利用の概念は,自動医用画像セグメンテーションのための新しいアイデアを提供する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  セグメンテーション ,  *ネットワーク ,  心臓 ,  *線量測定 ,  気管 ,  脊髄 ,  *放射線療法 ,  *放射線量 ,  食道 ,  ベンチマーク ,  *肺腫瘍 ,  *非小細胞肺癌 ,  *機械学習
準シソーラス用語： 医用画像セグメンテーション ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 非小細胞肺癌 ,  リスクにおける臓器 ,  医用画像セグメンテーション ,  深層学習 ,  高密度ネット ,  特徴再利用

分類 (2件)： 呼吸器の腫よう  (GI04000G) ,  腫ようの診断  (GE03020J)

引用文献 (31件)：

• Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin (2021) 71(3):209-49. doi: doi: 10.3322/caac.21660
• Eaton BR, Pugh SL, Bradley JD, Masters G, Kavadi VS, Narayan S, et al. Institutional Enrollment and Survival Among NSCLC Patients Receiving Chemoradiation: NRG Oncology Radiation Therapy Oncology Group (RTOG) 0617. J Natl Cancer Inst (2016) 108(9):djw034. doi: doi: 10.1093/jnci/djw034
• Wang EH, Rutter CE, Corso CD, Decker RH, Wilson LD, Kim AW, et al. Patients Selected for Definitive Concurrent Chemoradiation at High-Volume Facilities Achieve Improved Survival in Stage III Non-Small-Cell Lung Cancer. J Thorac Oncol (2015) 10(6):937-43. doi: doi: 10.1097/JTO.0000000000000519
• Martin S, Johnson C, Brophy M, Palma DA, Barron JL, Beauchemin SS, et al. Impact of Target Volume Segmentation Accuracy and Variability on Treatment Planning for 4D-CT-Based non-Small Cell Lung Cancer Radiotherapy. Acta Oncol (2015) 54(3):322-32. doi: doi: 10.3109/0284186X.2014.970666
• Speight R, Sykes J, Lindsay R, Franks K, Thwaites D. The Evaluation of a Deformable Image Registration Segmentation Technique for Semi-Automating Internal Target Volume (ITV) Production From 4dct Images of Lung Stereotactic Body Radiotherapy (SBRT) Patients. Radiother Oncol (2011) 98(2):277-83. doi: doi: 10.1016/j.radonc.2010.12.007

タイトルに関連する用語 (8件)： 深層学習 ,  非小細胞肺癌 ,  放射線治療 ,  リスク ,  器官 ,  幾何学 ,  線量測定 ,  評価