Il deep learning ha consentito la delineazione del volume dell'intero

Apr 24, 2023

Nature Communications volume 13, numero articolo: 6566 (2022) Citare questo articolo

6150 accessi

3 citazioni

7 Altmetrico

Dettagli sulle metriche

Nella radioterapia per i pazienti affetti da cancro, un processo indispensabile è quello di delineare gli organi a rischio (OAR) e i tumori. Tuttavia, è il passaggio che richiede più tempo poiché la delineazione manuale è sempre richiesta agli oncologi radioterapisti. Qui, proponiamo un framework leggero di deep learning per la pianificazione del trattamento radioterapico (RTP), denominato RTP-Net, per promuovere un'inizializzazione automatica, rapida e precisa di OAR e tumori di tutto il corpo. In breve, il quadro implementa una segmentazione a cascata da grossolano a fine, con modulo adattivo sia per organi piccoli che grandi, e meccanismi di attenzione per organi e confini. I nostri esperimenti mostrano tre meriti: 1) valuta ampiamente 67 compiti di delineazione su un set di dati su larga scala di 28.581 casi; 2) Dimostra una precisione comparabile o superiore con un dado medio di 0,95; 3) Raggiunge una delineazione quasi in tempo reale nella maggior parte delle attività con <2 s. Questa struttura potrebbe essere utilizzata per accelerare il processo di modellamento nello schema di radioterapia All-in-One e quindi ridurre notevolmente i tempi di risposta dei pazienti.

Il cancro è considerato una delle principali malattie che causano un rapido aumento della morbilità e della mortalità in tutto il mondo1,2,3. Si stima che ci saranno 28,4 milioni di nuovi casi di cancro nel 2040, un aumento del 47,2% rispetto ai corrispondenti 19,3 milioni di nuovi casi di cancro verificatisi nel 2020. La radioterapia (RT) è utilizzata come trattamento fondamentalmente curativo o palliativo per il cancro, con circa il 50% dei pazienti affetti da cancro che ricevono benefici dalla RT4,5,6. Considerando che le radiazioni ad alta energia possono danneggiare il materiale genetico sia delle cellule tumorali che di quelle normali, è importante bilanciare l’efficacia e la sicurezza della RT, che dipende fortemente dalla distribuzione della dose di irradiazione, nonché dallo stato funzionale degli organi. -rischio (OAR)6,7,8,9. Una delineazione accurata di tumori e OAR può influenzare direttamente i risultati della RT, poiché una delineazione imprecisa può portare a problemi di sovradosaggio o sottodosaggio e aumentare il rischio di tossicità o diminuire l’efficacia dei tumori. Pertanto, per somministrare una dose designata al tumore bersaglio proteggendo al contempo gli OAR, è altamente auspicabile una segmentazione accurata.

Il flusso di lavoro della RT clinica di routine può essere suddiviso in quattro fasi, tra cui (1) acquisizione dell'immagine TC e diagnosi iniziale, (2) pianificazione del trattamento radioterapico (RTP), (3) somministrazione di radiazioni e (4) cure di follow-up. Questo è guidato da un team di professionisti sanitari, come radiooncologi, dosimetristi medici, radioterapisti e così via10,11. Generalmente, durante la fase RTP, il modellamento degli OAR e dei tumori bersaglio viene eseguito manualmente da radioterapisti e dosimetristi. Si noti che la riproducibilità e la coerenza della segmentazione manuale sono impegnative a causa della variabilità intra e inter-osservatore12. Inoltre, il processo manuale richiede molto tempo e spesso richiede ore o addirittura giorni per paziente, portando a ritardi significativi nel trattamento RT12,13. Pertanto, si desidera sviluppare un approccio di segmentazione rapida per ottenere una delineazione accurata e coerente sia per gli OAR che per i tumori target.

Più recentemente, la segmentazione basata sul deep learning ha mostrato un enorme potenziale nel fornire risultati accurati e coerenti10,11,14,15,16, rispetto alla maggior parte degli approcci di classificazione e regressione, come il contouring basato su atlante, la modellazione statistica delle forme e così via17 ,18,19,20. L'architettura più popolare sono le reti neurali convoluzionali (CNN)21,22,23, tra cui U-Net24,25, V-Net26 e nnU-Net27, che raggiungono prestazioni eccellenti nella competizione di segmentazione di Medical Image Decathlon. Inoltre, anche altri algoritmi ibridi hanno mostrato eccezionali prestazioni di segmentazione28,29,30, ad esempio Swin UNETR31. Tuttavia, l’algoritmo basato sul deep learning necessita di risorse di calcolo specifiche come la memoria dell’unità di elaborazione grafica (GPU), in particolare per l’elaborazione delle immagini 3D13, portando così ad applicazioni cliniche limitate nella pratica.