Система автоматической сегментации органов риска на основе глубокого обучения на изображениях компьютерной томографии всего тела для лучевой терапии

Введение и цель: Выделение органов риска на изображениях компьютерной томографии (КТ) — обязательный этап лучевой терапии, однако эта процедура чрезвычайно трудоёмка и подвержена межэкспертной вариабельности. В настоящей работе представлен алгоритм автоматической сегментации на основе глубокого обучения (WBNet), предназначенный для точного и эффективного выделения всех основных органов риска во всём теле непосредственно на КТ-изображениях.

Материалы и методы: Были собраны 755 КТ-исследований головы и шеи, грудной клетки, брюшной полости и таза; на КТ-изображениях вручную выделили 50 органов риска. КТ-исследования с контурами разделили на обучающую и тестовую выборки, включавшие соответственно 505 и 250 случаев, для разработки и валидации WBNet. Для оценки качества выделения каждого органа риска рассчитывали объёмный коэффициент сходства Dice (DSC) и расстояние Хаусдорфа на 95-м процентиле (95% HD). Эффективность WBNet сравнивали с тремя алгоритмами автоматической сегментации: коммерческим программным обеспечением ABAS для автоматической сегментации на основе мультиатласного метода, а также двумя алгоритмами на основе глубокого обучения — AnatomyNet и nnU-Net. Кроме того, оценивали сокращение времени и точность расчёта дозы при использовании WBNet.

Результаты: Средние значения DSC для WBNet составили 0,84 и 0,81 на собственном и общедоступном наборах данных соответственно, что превысило показатели ABAS, AnatomyNet и nnU-Net. WBNet позволял значительно сократить время выделения контуров и обеспечивал хорошие результаты при планировании лечения; различия доз по сравнению с ручным выделением контуров находились в клинически приемлемых пределах.

Выводы: Полученные данные подтверждают осуществимость и преимущества применения WBNet в клинической практике.