El aprendizaje profundo potenció la delineación del volumen de todo

Apr 24, 2023

Nature Communications volumen 13, Número de artículo: 6566 (2022) Citar este artículo

6150 Accesos

3 citas

7 Altmetric

Detalles de métricas

En la radioterapia para pacientes con cáncer, un proceso indispensable es delimitar los órganos en riesgo (OAR) y los tumores. Sin embargo, es el paso que requiere más tiempo, ya que los oncólogos radioterapeutas siempre requieren una delineación manual. En este documento, proponemos un marco ligero de aprendizaje profundo para la planificación del tratamiento de radioterapia (RTP), llamado RTP-Net, para promover una inicialización automática, rápida y precisa de OAR y tumores de todo el cuerpo. Brevemente, el marco implementa una segmentación en cascada de gruesa a fina, con un módulo adaptativo para órganos pequeños y grandes, y mecanismos de atención para órganos y límites. Nuestros experimentos muestran tres méritos: 1) Evalúa ampliamente en 67 tareas de delineación en un conjunto de datos a gran escala de 28,581 casos; 2) Demuestra una precisión comparable o superior con un Dado promedio de 0,95; 3) Logra una delineación casi en tiempo real en la mayoría de las tareas con <2 s. Este marco podría utilizarse para acelerar el proceso de contorneado en el esquema de radioterapia todo en uno y, por lo tanto, acortar en gran medida el tiempo de respuesta de los pacientes.

El cáncer se considera una carga importante de enfermedad con una morbilidad y mortalidad en rápido aumento en todo el mundo1,2,3. Se estima que en 2040 habrá 28,4 millones de nuevos casos de cáncer, un 47,2% más que los correspondientes 19,3 millones de nuevos casos de cáncer ocurridos en 2020. La radioterapia (RT) se utiliza como tratamiento fundamentalmente curativo o paliativo del cáncer, con aproximadamente un 50% de pacientes con cáncer que reciben beneficios de la RT4,5,6. Teniendo en cuenta que la radiación de alta energía puede dañar los materiales genéticos tanto de las células cancerosas como de las normales, es importante equilibrar la eficacia y la seguridad de la RT, que depende en gran medida de la distribución de la dosis de irradiación, así como del estado funcional de los órganos. -riesgo (OARs)6,7,8,9. La delineación precisa de los tumores y los OAR puede influir directamente en los resultados de la RT, ya que una delineación inexacta puede provocar problemas de sobredosificación o subdosificación y aumentar el riesgo de toxicidad o disminuir la eficacia de los tumores. Por lo tanto, para administrar una dosis designada al tumor diana mientras se protegen los OAR, es muy deseable una segmentación precisa.

El flujo de trabajo de RT clínico de rutina se puede dividir en cuatro pasos, que incluyen (1) adquisición de imágenes de TC y diagnóstico inicial, (2) planificación del tratamiento de radioterapia (RTP), (3) administración de radiación y (4) atención de seguimiento. Esto es guiado por un equipo de profesionales de la salud, como oncólogos radioterápicos, médicos dosimetristas, radioterapeutas, etc.10,11. Por lo general, durante la etapa RTP, los oncólogos radioterápicos y los dosimetristas realizan manualmente el contorno de los OAR y los tumores diana. Tenga en cuenta que la reproducibilidad y la consistencia de la segmentación manual son un desafío debido a la variabilidad intraobservador e interobservador12. Además, el proceso manual requiere mucho tiempo y, a menudo, demora horas o incluso días por paciente, lo que genera retrasos significativos en el tratamiento de RT12,13. Por lo tanto, se desea desarrollar un enfoque de segmentación rápida para lograr una delineación precisa y consistente tanto para los OAR como para los tumores diana.

Más recientemente, la segmentación basada en el aprendizaje profundo ha demostrado un enorme potencial para proporcionar resultados precisos y consistentes10,11,14,15,16, en comparación con la mayoría de los enfoques de clasificación y regresión, como el contorno basado en atlas, el modelado estadístico de formas, etc.17 ,18,19,20. La arquitectura más popular son las redes neuronales convolucionales (CNN)21,22,23, incluidas U-Net24,25, V-Net26, así como nnU-Net27, que logran un rendimiento excelente en la competencia de segmentación de decatlón de imágenes médicas. Además, otros algoritmos híbridos también han mostrado un rendimiento de segmentación sobresaliente28,29,30, es decir, Swin UNETR31. Sin embargo, el algoritmo basado en el aprendizaje profundo necesita recursos informáticos específicos, como la memoria de la unidad de procesamiento de gráficos (GPU), especialmente para el procesamiento de imágenes 3D13, lo que lleva a aplicaciones clínicas limitadas en la práctica.

Para abordar los desafíos anteriores, en este documento, proponemos un marco de segmentación automática liviano, llamado RTP-Net, para reducir en gran medida el tiempo de procesamiento de los OAR de contorno y los tumores objetivo, al tiempo que logra un rendimiento comparable o mejor con los métodos de última generación. . Tenga en cuenta que este marco tiene potencial para ser utilizado en el esquema de RT todo en uno emergente reciente (Fig. 1). All-in-One RT tiene la intención de proporcionar un servicio integral para los pacientes mediante la integración de la tomografía computarizada, el contorno, la planificación dosimétrica y la entrega del haz in situ guiado por imágenes en una sola visita. En este proceso, el algoritmo de inteligencia artificial (IA) podría acelerar el paso de contorneado de horas a segundos, seguido de la revisión de un oncólogo con las modificaciones mínimas requeridas, lo que puede mejorar significativamente la eficiencia y acelerar el proceso en la etapa de planificación (Fig. 1a) . Con el desarrollo de la plataforma RT-linac y la integración de módulos multifuncionales (es decir, contorneado rápido, planificación automática y administración de radiación), All-in-One RT puede acortar todo el proceso de RT de días a minutos32 ( Figura 1b).

a La descripción general del proceso de RT convencional frente a RT todo en uno acelerada por IA. El flujo de trabajo de RT se puede dividir en cuatro pasos, en los que la IA puede acelerar el paso de planificación del tratamiento. La planificación del tratamiento convencional incluye el contorno manual de los órganos en riesgo (OAR), el volumen objetivo clínico (CTV) y el volumen objetivo de planificación (PTV), seguido de los procedimientos de planificación. El paso de contorneado puede acelerarse mediante algoritmos de IA, seguido de la revisión de un oncólogo con una modificación mínima requerida. b Las escalas de tiempo del contorno y el flujo de trabajo de RT en el RT convencional y el RT todo en uno acelerado por IA, respectivamente. La IA puede acelerar el paso de contorneado de horas a segundos, y todo el proceso de RT se puede acortar de días a minutos.

Para aumentar la precisión y también ahorrar tiempo para RTP, proponemos un marco de segmentación ligero basado en aprendizaje profundo, llamado RTP-Net, como se muestra en la Fig. 2, para el contorneado automatizado de OAR y tumores. En particular, se diseñaron tres estrategias para (1) producir una segmentación personalizada para OAR determinados, (2) reducir el costo de la memoria de la GPU y (3) también lograr una segmentación rápida y precisa, como se describe a continuación.

Estrategia de grueso a fino. Esto se propone para la segmentación rápida de imágenes 3D mediante el uso de un modelo de resolución gruesa para localizar una región de interés (ROI) mínima que incluye la región que se segmentará en la imagen original y, luego, mediante un modelo de resolución fina para usar este ROI como entrada para obtener límites detallados de la región (Fig. 2a). Este enfoque de dos etapas puede excluir efectivamente una gran cantidad de información irrelevante, reducir los falsos positivos y mejorar la precisión de la segmentación. Al mismo tiempo, ayuda a reducir el costo de la memoria de la GPU y mejora la eficiencia de la segmentación. Adoptamos VB-Net aquí, como se propuso en nuestro trabajo anterior33, para lograr una segmentación rápida y precisa. Está desarrollado sobre la base de la arquitectura V-Net clásica, es decir, una red de codificador-decodificador con conexión de salto y conexión residual, y se mejora aún más al agregar la capa de cuello de botella. La VB-Net ha conseguido el primer puesto en el SegTHOR Challenge 2019 (Segmentación de órganos torácicos en riesgo en imágenes de TC). La arquitectura detallada y la configuración de la red se pueden obtener en Métodos y en la Tabla 1.

Módulo de entrada adaptable. Para segmentar los ROI pequeños y grandes, también se diseña un módulo de entrada adaptativo en la arquitectura VB-Net, agregando una capa de muestreo descendente y una capa de muestreo ascendente al principio y al final de VB-Net, respectivamente, de acuerdo con el tamaño del ROI objetivo (Fig. 2b). Ambas operaciones de remuestreo se implementan a través de una capa de convolución, que puede aprender los mejores parámetros entre procesos y reducir la memoria de GPU simultáneamente.

Mecanismos de atención. Para una delimitación precisa del volumen objetivo (PTV/CTV), se desarrollan particularmente dos mecanismos de atención, es decir, el mapa de atención consciente de OAR y el mapa de atención consciente de límites (Fig. 2c). El mapa de atención consciente de OAR se genera mediante la segmentación OAR de nivel fino, mientras que el mapa de atención consciente de límites se aplica en el cuadro delimitador PTV/CTV de nivel grueso. El mapa de atención consciente de OAR se utiliza como una restricción adicional para mejorar el rendimiento del modelo de resolución fina. Específicamente, la entrada del modelo de resolución fina es la concatenación de la imagen sin procesar con su mapa de atención consciente de OAR y su mapa de atención consciente de límites en una dimensión de canal. Es decir, ambos mecanismos de atención (combinados con la función de pérdida adaptativa multidimensional) se adoptan para modificar la red VB de nivel fino.

un marco de grueso a fino con múltiples resoluciones para una segmentación rápida. Un modelo de resolución gruesa es para localizar la región de interés (ROI) en la imagen original (etiquetada en el cuadro rojo), y un modelo de resolución fina es para refinar los límites detallados del ROI. b VB-Net adaptable para segmentación OAR de varios tamaños, que también se puede aplicar a órganos grandes. Esto se logra agregando una capa de convolución zancada con una zancada de 2 (Conv-s2) y una capa de convolución transpuesta con una zancada de 2 (T-Conv-s2) al principio y al final de VB-Net, respectivamente. c Mecanismos de atención utilizados en el marco de segmentación para una delineación precisa del volumen objetivo. El mapa de atención consciente de OAR es generado por la segmentación OAR de nivel fino, y el mapa de atención consciente de límites es generado por el cuadro delimitador de volumen objetivo de nivel grueso. Se adoptan dos mapas de atención combinados con una función de pérdida adaptativa multidimensional para modificar el modelo de nivel fino para obtener una delineación precisa del objetivo.

En resumen, el marco RTP-Net propuesto puede segmentar volúmenes objetivo, así como múltiples OAR de manera automática, precisa y eficiente, lo que luego puede ser seguido por la planificación dosimétrica in situ y la radioterapia para finalmente lograr All-in-One. RT. En nuestro marco de segmentación desarrollado, los usuarios pueden ajustar un conjunto de parámetros, incluida la configuración de preprocesamiento, la configuración de la estrategia de capacitación, la arquitectura de red y la configuración de inferencia de imágenes. Además, teniendo en cuenta la diversidad de diferentes conjuntos de datos de imágenes, como la modalidad de imágenes, los núcleos de reconstrucción, el espaciado de imágenes, etc., los usuarios pueden personalizar una configuración de configuración de entrenamiento adecuada para cada tarea específica. El ajuste de configuración recomendado de nuestro marco de segmentación de resolución múltiple se resume en la Tabla 1 como referencia.

El rendimiento de segmentación de la RTP-Net propuesta se evalúa ampliamente en los órganos de todo el cuerpo, incluidos 65 OAR en general distribuidos en la cabeza, el tórax, el abdomen, la cavidad pélvica y todo el cuerpo, en términos de precisión y eficiencia. Es importante destacar que se experimenta un conjunto de datos a gran escala de 28 219 casos, de los cuales 4833 casos se utilizan como conjunto de prueba (~ 17 %) y los casos restantes sirven como conjunto de entrenamiento (Figura complementaria 1).

La precisión de la segmentación se cuantifica mediante el coeficiente de Dice, que varía de 0 a 1, con un coeficiente de Dice de 1 que representa la superposición perfecta entre el resultado segmentado y su realidad fundamental. Como se muestra en la Fig. 3 y la Tabla complementaria 1, se miden los coeficientes de Dice de las segmentaciones automáticas en un conjunto de OAR. En total, implementamos 65 tareas de segmentación, incluidos 27 OAR en la parte de la cabeza, 16 OAR en la parte del pecho, 10 OAR en la parte del abdomen, 9 OAR en la parte de la cavidad pélvica y 3 OAR en todo el cuerpo. Vale la pena señalar que RTP-Net logra un Dado promedio de 0,93 ± 0,11 en 65 tareas con muestras extensas. En concreto, 42 de 65 (64,6%) tareas de segmentación de OAR obtienen un rendimiento satisfactorio con un Dado medio superior a 0,90, y 57 de 65 (87,7%) tareas de segmentación de OAR con un Dado medio superior a 0,80. Para los OAR en la cabeza (Fig. 3a), hay 20 de 27 (74,1 %) tareas de segmentación de OAR que logran un rendimiento plausible con un valor medio de más de 0,80. Para los OAR en el tórax (Fig. 3b), el rendimiento de segmentación más bajo se encuentra en los ganglios linfáticos mediastínicos con un Dado medio de 0,61, lo que puede deberse a sus límites difusos y borrosos. Además, los coeficientes de resultados de segmentación de Dice de todos los OAR probados en las partes del abdomen (Fig. 3c) y la cavidad pélvica (Fig. 3d) son superiores a 0,80. Además, las segmentaciones de la médula espinal, el canal espinal y la piel externa en todo el cuerpo también logran una concordancia superior con la verdad del terreno manual. Tenga en cuenta que la segmentación de la piel externa es asistida por el módulo de entrada adaptable en RTP-Net (Fig. 2b), debido a su gran tamaño. En resumen, la mayoría de las tareas de segmentación logran una alta precisión mediante el uso de la RTP-Net propuesta, que verifica su rendimiento de segmentación superior. Cabe señalar que los resultados de la autosegmentación serán revisados ​​y modificados por el oncólogo radioterápico para garantizar la precisión y la seguridad de la RT.

Los coeficientes de Dice en la segmentación de los OAR en las partes de la cabeza (a), el tórax (b), el abdomen (c), así como en la parte de la cavidad pélvica y el cuerpo completo (d). Las sombras en cuatro diagramas de caja y patillas dan los coeficientes de Dice con un rango de 0,8 a 1,0. El primer cuartil forma la parte inferior y el tercer cuartil forma la parte superior del cuadro, en el que la línea y el signo más representan los valores de la mediana y la media, respectivamente. Los bigotes oscilan entre el percentil 2,5 y el 97,5, y los puntos por debajo y por encima de los bigotes se dibujan como puntos individuales. El número detallado de cada órgano se puede consultar en la Fig. 1 complementaria.

Para evaluar completamente la calidad y la eficiencia de la segmentación de nuestra RTP-Net propuesta, se incluyen tres métodos de última generación, que incluyen U-Net, nnU-Net y Swin UNETR, para comparar. Los resultados típicos de segmentación de ocho OAR (incluidos el cerebro, el tronco encefálico, las costillas, el corazón, el hígado, la pelvis, el recto y la vejiga) mediante cuatro métodos se proporcionan en la Fig. 4 para una comparación cualitativa. Se puede ver que nuestro RTP-Net logra segmentaciones consistentes con verdad de campo manual en los ocho OAR, mientras que los métodos de comparación muestran segmentaciones excesivas o insuficientes. En particular, tanto U-Net como nnU-Net subsegmentan cuatro OAR, como el tronco encefálico, las costillas, el corazón y la pelvis (Fig. 4a–d), mientras que sobresegmentan dos OAR, como el hígado y la vejiga (Fig. 4e, F). Para los dos OAR restantes, como el cerebro y el recto (Fig. 4g, h), U-Net y nnU-Net muestran diferentes rendimientos, con U-Net con subsegmentación mientras que nnU-Net tiene sobresegmentación. Swin UNETR logra segmentaciones consistentes con verdad de tierra manual en la vejiga y el cerebro, mientras que tiene sub-segmentaciones en los otros seis OAR. Vale la pena enfatizar nuevamente que la segmentación inexacta de los OAR puede influir en los pasos posteriores de la delineación del tumor objetivo y la planificación del tratamiento y, finalmente, la radioterapia precisa del tumor. En general, en comparación con U-Net, nnU-Net y Swin UNETR, nuestra RTP-Net propuesta logra resultados comparables o superiores en la segmentación de OAR.

La segmentación se realiza en ocho OAR, es decir, (a) tronco encefálico, (b) costilla, (c) corazón, (d) pelvis, (e) hígado, (f) vejiga, (g) cerebro y (h) recto. Los círculos blancos indican una segmentación precisa en comparación con la realidad del terreno manual mediante cuatro métodos. Los círculos azul y amarillo representan la subsegmentación y la sobresegmentación, respectivamente.

Para evaluar cuantitativamente el rendimiento de la segmentación de RTP-Net, se calculan tanto el coeficiente de Dice como el tiempo medio de inferencia. La Figura 5a y la Tabla complementaria 2 muestran los coeficientes de Dice en un conjunto de tareas de segmentación mediante cuatro métodos. Se puede ver que la mayoría de las tareas de segmentación dan coeficientes de Dice altos, especialmente en la segmentación de cerebro, hígado y pelvis con una variación relativamente menor. En comparación con nnU-Net, RTP-Net no muestra diferencias significativas en la segmentación de la mayoría de los órganos en términos de coeficiente de Dice, excepto el recto. Mientras que, en comparación con U-Net, RTP-Net muestra una diferencia significativa en una mejor segmentación del tronco encefálico, el hígado y el recto. Además, en comparación con Swin UNETR, RTP-Net muestra un mejor rendimiento en la segmentación del tronco encefálico, el corazón, el hígado y el recto. En general, los coeficientes Dice promedio de RTP-Net, U-Net, nnU-Net y Swin UNETR en la segmentación de ocho OAR son 0,95 ± 0,03, 0,91 ± 0,06, 0,95 ± 0,03 y 0,94 ± 0,03, respectivamente. Los resultados indican que RTP-Net logra un rendimiento de segmentación comparable o más preciso que otros métodos, lo que es consistente con los resultados visuales que se muestran en la Fig. 4.

a Coeficientes de dados de ocho tareas de segmentación por nuestra propuesta RTP-Net, U-Net, nnU-Net y Swin UNETR. b Tiempos medios de inferencia en la segmentación de ocho OAR por cuatro métodos. Tanto los coeficientes de Dice (a) como los tiempos de inferencia (b) se muestran en diagramas de caja y bigotes. El primer cuartil forma la parte inferior y el tercer cuartil forma la parte superior del cuadro, en el que la línea y el signo más representan los valores de la mediana y la media, respectivamente. Los bigotes oscilan entre el percentil 2,5 y el 97,5, y los puntos por debajo y por encima de los bigotes se dibujan como puntos individuales. El número de ocho órganos se puede referir a la figura complementaria 1. Los análisis estadísticos en (a) y (b) se realizan utilizando ANOVA de dos vías seguido de las pruebas de comparaciones múltiples de Dunnett. El asterisco representa el valor p ajustado de dos colas, donde * indica p < 0,05, ** indica p < 0,01 y *** indica p < 0,001. Los valores p de los coeficientes Dice en (a) entre RTP-Net y otros tres métodos (U-Net, nnU-Net y Swin UNETR) son 0,596, 0,999 y 0,965 para la segmentación del cerebro, respectivamente; <0,001, 0,234 y 0,001 para la segmentación del tronco encefálico, respectivamente; 0,206, 0,181 y 0,183 para segmentación de costillas, respectivamente; 0,367, 0,986 y 0,010 para la segmentación del corazón, respectivamente; 0,002, 0,999, 0,003 para la segmentación del hígado, respectivamente; 0,991, 0,900 y 0,803 para segmentación pélvica, respectivamente; <0,001, 0,010 y 0,003 para la segmentación del recto, respectivamente; 0,999, 0,827 y 0,932 para segmentación vesical, respectivamente. Todos los valores de p en (b) entre RTP-Net y otros tres métodos en ocho órganos son inferiores a 0,001. c El mapa de calor de los tiempos medios de inferencia en múltiples tareas de segmentación. El asterisco representa el valor de p ajustado de dos colas obtenido en (b), donde *** indica p < 0,001, lo que muestra la significación estadística entre RTP-Net y los otros tres métodos.

Además, la eficiencia de inferencia de cuatro métodos en las ocho tareas de segmentación OAR anteriores se evalúa más detalladamente en la Fig. 5b, c y la Tabla complementaria 3. Como un marco liviano, RTP-Net toma menos de 2 s en la mayoría de las tareas de segmentación, mientras que U -Net, nnU-Net y Swin UNETR tardan de 40 a 200 s, de 200 a 2000 s y de 15 a 200 s, respectivamente. El mapa de calor del tiempo de inferencia de cuatro métodos en tareas de segmentación demuestra visualmente una diferencia significativa entre RTP-Net y los otros tres métodos. La ultra alta velocidad de segmentación de RTP-Net se puede atribuir al marco personalizado de grueso a fino con múltiples resoluciones, que realiza la localización gruesa y la segmentación fina secuencialmente y también reduce significativamente el costo de la memoria GPU. Además, la capacidad de segmentación altamente eficiente de RTP-Net también se confirma en más experimentos de delineación, como se muestra en la Fig. 2 complementaria. Por lo tanto, nuestra RTP-Net propuesta puede lograr un excelente rendimiento de segmentación, con una precisión superior y una velocidad de inferencia ultra alta. .

Dada una imagen 3D de entrada, necesitamos segmentar conjuntamente todos los OAR existentes (ya sean completos o parciales), es decir, para delinear el volumen objetivo, incluidos CTV y PTV. La Figura 6 ilustra los resultados de la segmentación de múltiples órganos en cada parte específica, incluida la cabeza, el tórax, el abdomen y la cavidad pélvica. Estos resultados verifican aún más el rendimiento de nuestra RTP-Net.

a Cerebro, lóbulo temporal, ojos, dientes, parótida, hueso mandibular, laringe, plexo braquial; (b) cerebro, tronco encefálico; (c) corazón, tráquea, costilla, vértebra; (d) pulmones; (e) hígado, riñón, páncreas, vesícula biliar; (f) estómago, esófago, bazo; (g) intestino grueso, intestino delgado, vejiga; (h) cabeza de fémur, pelvis ósea; (i) testículos, próstata. Todas las muestras son imágenes de TC. En cada muestra, la izquierda muestra los resultados en vista 2D y la derecha muestra la representación 3D de OAR segmentados.

A continuación, evaluamos el rendimiento del modelo de delineación del volumen objetivo (Fig. 2c) para contornear los volúmenes objetivo, incluidos CTV y PTV. En la rutina clínica convencional, el PTV generalmente se obtiene dilatando el CTV de acuerdo con pautas específicas. Teniendo en cuenta que los PTV dilatados convencionales generalmente se generan en un software específico y pueden contener algunos errores (p. ej., expandirse más allá de la piel o superponerse con OAR) que requieren correcciones manuales, un PTV generado automáticamente por RTP-Net puede ser bastante conveniente, ahorra tiempo de procesamiento , y muestran una alta precisión con anotaciones verificadas de oncólogos radioterápicos. Los resultados de la delineación de CTV y PTV para el cáncer de recto se muestran en la Fig. 7 y en la Tabla complementaria 4, utilizando comparación visual, precisión y eficiencia. Como se muestra en la Fig. 7a, la delineación CTV de RTP-Net muestra un alto rendimiento en comparación con la verdad de tierra manual. Además, no se encuentran diferencias significativas en términos del coeficiente de Dice entre los cuatro métodos de segmentación (Fig. 7b). Pero, al comparar el tiempo medio de inferencia de la delineación de CTV, RTP-Net logra la delineación más rápida con menos de 0,5 s (0,40 ± 0,05 s), mientras que U-Net, nnU-Net y Swin UNETR toman 108,41 ± 19,38 s, 248,43 ± 70,38 s y 62,63 ± 12,49 s, respectivamente (Fig. 7c). También se encuentra un resultado similar para la tarea de delineación de PTV, en la que los tiempos de inferencia de RTP-Net, U-Net, nnU-Net y Swin UNETR son 0,44 ± 0,05 s, 109,89 ± 19,61 s, 119,01 ± 34,06 s y 92,65 ± 16,03 s, respectivamente. Todos estos resultados (en CTV y PTV) confirman que la RTP-Net propuesta puede contornear el volumen objetivo (incluidos CTV y PTV) de manera precisa y rápida. Los resultados de la segmentación de los OAR, así como el tumor objetivo, se pueden ver en la Fig. 7d, en la que el PTV del cáncer rectal está delineado y rodeado por OAR cercanos, como el intestino de la bolsa, la pelvis y la vértebra. Tenga en cuenta que, en nuestro método, se adopta el mapa de atención consciente de los límites para evitar fallas en la segmentación de los límites superior e inferior del volumen objetivo, al considerar los OAR circundantes y sus límites en nuestro modelo de delineación del volumen objetivo. Esto podría evitar la toxicidad de la radiación en los órganos normales y hace que la siguiente simulación de dosis y el tratamiento sean más precisos.

a Resultados de la delineación del volumen objetivo clínico (CTV) y el volumen objetivo de planificación (PTV) por RTP-Net, U-Net, nnU-Net y Swin UNETR propuestos, etiquetados en color rojo. (b) Coeficientes de dados y (c) tiempos de inferencia de cuatro métodos en la delineación del volumen objetivo, que se muestran en diagramas de caja y bigotes. El primer cuartil forma la parte inferior y el tercer cuartil forma la parte superior del cuadro, en el que la línea y el signo más representan los valores de la mediana y la media, respectivamente. Los bigotes van de mínimo a máximo mostrando todos los puntos. Los análisis estadísticos en (b) y (c) se realizan utilizando ANOVA de dos vías seguido de pruebas de comparación múltiple de Dunnett, con n = 10 repeticiones por condición. Los valores p ajustados de dos colas de los coeficientes de Dice en (b) entre RTP-Net y otros tres métodos (U-Net, nnU-Net y Swin UNETR) son 0.420, 0.999 y 0.166 para la segmentación CTV, respectivamente, mientras que 0.951 , 0,859 y 0,832 para la segmentación de PTV, respectivamente. Todos los valores de p ajustados de dos colas de los tiempos de inferencia en (c) entre RTP-Net y otros tres métodos son inferiores a 0,001, indicados con ***. (d) Descripción general de los órganos en riesgo (OAR) y los volúmenes objetivo. Los resultados de la segmentación del PTV y el intestino de la bolsa, la vértebra y la pelvis vecinas están marcados en rojo, verde, rosa y azul, respectivamente.

Hasta ahora, hemos demostrado que el marco de segmentación basado en el aprendizaje profundo propuesto puede delinear de forma automática, eficiente y precisa los OAR y los volúmenes objetivo. Existen múltiples herramientas de software basadas en IA que están disponibles comercialmente y se han utilizado en prácticas clínicas para estandarizar y acelerar los procedimientos de RT. Incluyen una herramienta de contorno basada en atlas para la segmentación automática12,34,35,36,37 y un módulo de planificación basado en el conocimiento para la planificación automática del tratamiento38,39,40. Aquí, nos enfocamos en la exploración de la segmentación automática basada en IA de los volúmenes de destino y su integración en los flujos de trabajo de RT. Según se informa, estas soluciones de IA han logrado un rendimiento comparable con las delineaciones manuales en la precisión de la segmentación, con menores esfuerzos de edición necesarios12,35. Sin embargo, la mayoría de los estudios solo se evaluaron en órganos y datos limitados con protocolos de adquisición específicos, lo que afecta su aplicabilidad clínica cuando se usan en diferentes hospitales o para diferentes volúmenes objetivo. Dos estudios han intentado abordar este desafío para mejorar la generalizabilidad del modelo41,42. Nikolov et al. aplicó 3D U-Net para delinear 21 OAR en tomografías computarizadas de cabeza y cuello, y logró un rendimiento de nivel experto41. El estudio se realizó en el conjunto de entrenamiento (663 escaneos) y el conjunto de prueba (21 escaneos) de la práctica clínica habitual, y el conjunto de validación (39 escaneos) de dos conjuntos de datos de código abierto distintos. Oktay et al. incorporó el modelo de IA en el flujo de trabajo de RT existente y demostró que el modelo de IA podía reducir el tiempo de contorneado al mismo tiempo que producía contornos estructurales clínicamente válidos para la planificación de RT de próstata y de cabeza y cuello42. Su estudio involucró 6 OAR para el cáncer de próstata y 9 OAR para el cáncer de cabeza y cuello, donde los experimentos se realizaron en un conjunto de 519 tomografías computarizadas pélvicas y 242 de cabeza y cuello adquiridas en ocho sitios clínicos distintos con grupos de población heterogéneos y diversos Protocolos de adquisición de imágenes. A diferencia de trabajos anteriores, evaluamos cómo RTP-Net puede conducir a un rendimiento generalizado con una evaluación exhaustiva en 67 volúmenes de destino con diferentes tamaños de volumen en un conjunto de datos a gran escala de 28 581 casos (Figura complementaria 1). Este conjunto de datos a gran escala se obtuvo de ocho conjuntos de datos distintos disponibles públicamente y un conjunto de datos local con diferentes configuraciones de adquisición y datos demográficos (Tabla complementaria 5). Nuestro modelo propuesto demuestra la capacidad de generalización del rendimiento entre hospitales y volúmenes objetivo, al mismo tiempo que logra niveles superiores de concordancia con contornos expertos y también ahorros de tiempo, lo que puede facilitar la implementación en sitios clínicos.

Además, se ha desarrollado una variedad de algoritmos basados ​​en el aprendizaje profundo para predecir automáticamente la distribución óptima de la dosis y acelerar el cálculo de la dosis43,44. Se especula que la integración de la delineación asistida por IA y la planificación dosimétrica asistida por IA en el sistema RTP promovería en gran medida la eficiencia de la RT y reduciría la carga de trabajo en la práctica clínica, como Pinnacle3 (Philips Medical Systems, Madison, WI)45. El RTP-Net propuesto se integró en el sistema CT-linac (actualmente en prueba para aprobación de uso clínico), apoyando el esquema All-in-One RT, en el que los resultados de auto-contorno (revisados ​​por oncólogos radioterápicos) se utilizan para la dosimetría. planificación del tratamiento, para maximizar la dosis administrada al tumor mientras se minimiza la dosis a los OAR circundantes. Este flujo de trabajo de RT todo en uno acelerado por IA tiene dos méritos potenciales: (1) el contorneado automático acelerado por IA podría eliminar la desviación sistemática y subjetiva, y garantizar una decisión reproducible y precisa, con el tiempo de contorneado controlado en 15 s, mucho menos que el contorneado convencional con 1 a 3 horas o más, por lo tanto, el tiempo total para el contorneado automático y la edición manual por parte de los médicos es mucho más corto que la anotación manual desde cero; (2) La canalización de RT todo en uno sería integral, incorporando múltiples módulos (es decir, contorneado automático) y liberando a los pacientes de múltiples períodos de espera de respuesta, y por lo tanto acortará en gran medida el tiempo de todo el proceso de días a minutos32. Es importante destacar que los múltiples pasos clínicos en el flujo de trabajo de RT todo en uno necesitan intervenciones humanas y requieren la presencia de personal dedicado (que incluye oncólogo radioterápico, dosimetrista y físico médico) para tomar decisiones, por lo que existe una necesidad urgente de mejorar la eficiencia y ahorrar. el tiempo de respuesta. Además, en algunos escenarios clínicos, hay más pacientes de los que un hospital podría albergar, dado que los recursos médicos (por ejemplo, equipos de RT y personal profesional) son relativamente insuficientes. En estos casos, el flujo de trabajo de RT todo en uno acelerado por IA tiene un gran potencial para reducir la carga de atención médica y beneficiar a los pacientes.

En conclusión, para superar las limitaciones del contorneado manual en el sistema RTP, como el largo tiempo de espera, la baja reproducibilidad y la baja consistencia, hemos desarrollado un marco basado en el aprendizaje profundo (RTP-Net) para el contorneado automático del tumor objetivo y los OAR en una manera precisa y eficiente. Primero, desarrollamos un marco de grueso a fino para reducir la memoria de la GPU y mejorar la velocidad de segmentación sin reducir la precisión en función de un conjunto de datos a gran escala. Luego, al rediseñar la arquitectura, nuestra RTP-Net propuesta logra una alta eficiencia con un rendimiento de segmentación comparable o superior en múltiples OAR, en comparación con los marcos de segmentación de última generación (es decir, U-Net, nnU-Net, Swin UNETR ). En tercer lugar, para delinear con precisión los volúmenes objetivo (CTV/PTV), el mapa de atención consciente de OAR, el mapa de atención consciente de límites y la función de pérdida multidimensional se combinan en el entrenamiento de la red para facilitar la segmentación de límites. Este marco de segmentación propuesto se ha integrado en un sistema CT-linac y actualmente se está probando para su aprobación para uso clínico32. Y este flujo de trabajo de RT todo en uno acelerado por IA tiene un gran potencial para mejorar la eficiencia, la reproducibilidad y la calidad general de la RT para pacientes con cáncer.

Este estudio fue aprobado por el Comité de Ética de Investigación del Centro Oncológico de Shanghái de la Universidad de Fudan, Shanghái, China (No. 2201250-16). Se recogieron un total de 362 imágenes de cáncer de recto. Se renunció al consentimiento informado por escrito debido a la naturaleza retrospectiva del estudio. Los 28 219 datos restantes de los experimentos provinieron de conjuntos de datos multicéntricos disponibles públicamente (detallados en la Tabla complementaria 5), ​​es decir, The Cancer Imaging Archive (TCIA, https://www.cancerimagingarchive.net/)46, Head and Neck (HaN) Autosegmetation Challenge 2015 de Medical Image Computing and Computer Assisted Intervention Society (MICCAI)47,48, Segmentation of Thoracic Organs at Risk in CT Images (SegTHOR) Challenge 201949, Combined (CT-MR) Healthy Abdominal Organ Segmentation Challenge (CHAOS) Challenge 201950, Desafío de decatlón de segmentación médica (MSD) de MICCAI 201851 y análisis de nódulos pulmonares (LUNA) 201652. Todas las imágenes de TC no tenían contraste.

La Tabla complementaria 5 resume los tipos de escáner y los protocolos de adquisición, con los datos demográficos de los pacientes proporcionados en la Tabla complementaria 6. Se pueden encontrar más detalles sobre los conjuntos de datos en las referencias correspondientes.

En este estudio, incluimos un total de 28 581 casos para 67 tareas de segmentación, cubriendo órganos de todo el cuerpo y tumores diana (Fig. 1 complementaria). En todos los datos, 23.728 casos se utilizan como conjunto de entrenamiento (~83 %) y los 4.853 casos restantes se utilizan como conjunto de prueba (~17 %).

La verdad básica de la segmentación se obtiene de delineaciones manuales de evaluadores experimentados. Los detalles se describen a continuación:

Preparación de datos de imagen. En este estudio se adoptan imágenes a gran escala de múltiples conjuntos de datos diversos (p. ej., diferentes tipos de escáner, poblaciones y centros médicos) para reducir el posible sesgo de muestreo. Todas las imágenes de TC están en formato DICOM o NIFIT.

Herramientas de anotación. Según las preferencias de los evaluadores, se adoptan varias herramientas ampliamente utilizadas para anotar el objetivo en detalles a nivel de píxel y visualizarlos, es decir, ITK-SNAP 3.8.0 (http://www.itksnap.org/pmwiki/pmwiki.php) y 3D Slicer 5.0.2 (https://www.slicer.org/). Estas herramientas admiten anotaciones semiautomáticas y manuales. La anotación semiautomática se puede utilizar para la inicialización de la anotación seguida de una corrección manual. Esta estrategia puede ahorrar los esfuerzos de anotación.

Protocolo de contorneado. Para cada tarea de anotación, participan evaluadores experimentados y un oncólogo de radiación senior. Se revisan las guías de consenso correspondientes (p. ej., guías RTOG) o libros de texto de anatomía y se realiza un protocolo de contorneado específico después de la discusión. Las anotaciones son inicialmente perfiladas por evaluadores experimentados y finalmente refinadas y aprobadas por el oncólogo de radiación senior. A continuación enumeramos las pautas de consenso.

Se contornean un total de 27 estructuras anatómicas. Las definiciones anatómicas de 25 estructuras se refieren al atlas53 de Brouwer y al libro de texto de neuroanatomía54, es decir, cerebro, tronco encefálico, ojos (izquierda y derecha), glándulas parótidas (izquierda y derecha), mandíbulas óseas (izquierda y derecha), cristalino (izquierda y derecha) , cavidad oral, articulación TM (izquierda y derecha), labios, dientes, glándula submandibular (izquierda y derecha), glotis, músculos constrictores faríngeos (superior, medio e inferior), hipófisis, quiasma y plexo braquial (izquierda y derecha) . El contorno de los lóbulos temporales (izquierdo y derecho) se refiere al atlas cerebral55.

Se contornean un total de 16 estructuras anatómicas, en las que se definen 8 estructuras anatómicas siguiendo la guía 110656 del Grupo de Oncología de Radioterapia (RTOG) y el libro de texto de anatomía cardiotorácica57, es decir, corazón, pulmones (izquierdo y derecho), aorta ascendente, esófago, Cuerpo vertebral, tráquea y costilla. La mama (izquierda y derecha), mama_PRV05 (izquierda y derecha), los ganglios linfáticos mediastínicos y la cabeza del húmero (izquierda y derecha) están contorneados en referencia al atlas de cáncer de mama RTOG58. Además, el contorno de NSCLC sigue RTOG 051559.

Se contornean diez estructuras anatómicas (es decir, bolsa intestinal, vesícula biliar, riñón (izquierdo y derecho), hígado, bazo, estómago, páncreas, colon y duodeno) en referencia a la guía RTOG60, su sitio web oficial para recomendaciones de delineación (http://www .rtog.org), y el atlas61 de Netter.

Nueve estructuras anatómicas están contorneadas en referencia a la directriz RTOG60 y el atlas de Netter61, incluida la cabeza del fémur (izquierda y derecha), la pelvis, la vejiga (masculina y femenina), el recto, los testículos, la próstata y el colon sigmoideo.

Las estructuras del canal espinal, la médula espinal y la piel externa también están contorneadas en referencia a la directriz RTOG 110656.

Los contornos del CTV y PTV se refieren principalmente al atlas RTOG62 y al atlas AGITG63.

Teniendo en cuenta las características de imagen heterogéneas de múltiples centros, el preprocesamiento de datos es un paso fundamental para normalizar los datos.

En el modelo de nivel grueso (baja resolución), se recomienda un espaciado de objetivo grande de 5 × 5 × 5 mm3 para obtener información de ubicación global, mientras que, en el modelo de nivel fino (alta resolución), aplicamos un espaciado de objetivo pequeño de 1 × 1 × 1 mm3 para adquirir información estructural local.

En el entrenamiento del modelo de nivel grueso, se recomienda el método de interpolación del vecino más cercano para volver a muestrear la imagen en el espacio objetivo. En el entrenamiento del modelo de nivel fino, los métodos de interpolación del vecino más cercano e interpolación lineal se pueden utilizar para el remuestreo de imágenes anisotrópicas e isotrópicas, respectivamente, para suprimir los artefactos de remuestreo.

El tamaño del parche y el tamaño del lote generalmente están limitados por la memoria de la unidad de procesamiento de gráficos (GPU) dada. Para la segmentación de órganos comunes, se recomienda el tamaño de parche de 96 × 96 × 96 tanto para el modelo de nivel grueso como para el modelo de nivel fino. Para la segmentación de órganos grandes, como la piel de todo el cuerpo, los tamaños de parche del modelo de nivel grueso y el modelo de nivel fino son 96 × 96 × 96 y 196 × 196 × 196, respectivamente. Los parches de mini lotes con tamaño fijo se recortan de la imagen remuestreada generando puntos centrales aleatoriamente en el espacio de la imagen.

Los parches con tamaño objetivo y espaciado podrían normalizarse a la intensidad de [−1, 1], lo que puede ayudar a que la red converja rápidamente. Para las imágenes de TC, los valores de intensidad son cuantitativos, lo que refleja la propiedad física del tejido. Por lo tanto, se usa la normalización fija, donde cada parche se normaliza restando el nivel de la ventana y luego dividiéndolo por la mitad del ancho de la ventana del órgano individual. Después de la normalización, cada parche se recorta al rango de [−1, 1] y luego se envía a la red para el entrenamiento.

Nuestro marco propuesto permite establecer tasas de aprendizaje individuales y configuraciones optimizadas basadas en tareas específicas.

Se utiliza para refinar la red, donde la tasa de aprendizaje podría reducirse de un valor inicial grande a un valor pequeño con la convergencia de la red.

El optimizador de Adam se usa con hiperparámetros ajustables que incluyen impulso, decaimiento y betas.

Se utiliza para mejorar la robustez del modelo, incluida la rotación, el escalado, el volteo, el desplazamiento y la adición de ruido.

Para garantizar la robustez frente al desequilibrio de clases, se adoptan dos esquemas de muestreo para generar minilotes a partir de una imagen de entrenamiento, incluido el muestreo global y el muestreo de máscara. Específicamente, el esquema de muestreo global genera aleatoriamente puntos centrales en todo el espacio de primer plano, y el esquema de muestreo de máscara genera aleatoriamente puntos centrales en las regiones de interés (ROI). Se recomienda el muestreo global para el modelo de nivel grueso para lograr el objetivo de ubicar el ROI objetivo, y se recomienda el muestreo de máscara para el modelo de nivel fino para lograr el objetivo de delimitar el volumen objetivo con precisión.

Las funciones de pérdida de segmentación básicas, como Dados, Dados de límite y función de pérdida focal, se pueden utilizar para optimizar la red. La función de pérdida multidimensional se define como la función de pérdida de dados adaptativa para obligar a la red a prestar atención a la segmentación del límite, especialmente el límite de cada segmento 2D:

En esta ecuación, loss3D se refiere a la pérdida de dados 3D y λ1 es su peso, mientras que \({{{\mbox{loss}}}}_{2{{\mbox{D}}}}^{{{\mbox{ i}}}}\) se refiere a la pérdida de dados 2D del i-ésimo segmento 2D y \({\lambda }_{{{{{{\rm{adaptable}}}}}}}^{i}\ ) es su ponderación adaptativa calculada a partir del rendimiento de este segmento 2D; λ2 es el peso de la pérdida de dados 2D. En las siguientes dos ecuaciones se dan definiciones más detalladas de pérdida de dados 3D y pérdida de dados 2D:

En estas dos ecuaciones, pred3D denota la predicción 3D y target3D denota su realidad básica manual, mientras que \({{{\mbox{pred}}}}_{2{{\mbox{D}}}}^{{{\ mbox{i}}}}\) denota la predicción 2D del i-ésimo segmento 2D y \({{{\mbox{objetivo}}}}_{2{{\mbox{D}}}}^{{ {\mbox{i}}}}\) denota su verdad fundamental manual. La configuración de los hiperparámetros es la siguiente: λ1 se establece en 0,7 y λ2 se establece en 0,3. Además, λadaptive es un peso adaptativo calculado a partir de la siguiente ecuación:

Excepto por la pérdida multidimensional, los mecanismos de atención (incluidos el mapa de atención consciente de los límites y el mapa de atención consciente de OAR) también están diseñados específicamente para las tareas de delineación del volumen objetivo. La información detallada se describe en la sección Resultados y discusión.

En nuestro marco, VB-Net es un componente clave para la segmentación de órganos de varios tamaños. La estructura de VB-Net se compone de un bloque de entrada, un bloque descendente, un bloque ascendente y un bloque de salida (Fig. 3 complementaria). Los bloques arriba/abajo se implementan en forma de estructuras residuales y el cuello de botella se adopta para reducir la dimensión de los mapas de características. En cada bloque abajo/arriba, el número de cuellos de botella está disponible para que el usuario los asigne. Además, la conexión de salto es necesaria en cada nivel de resolución. Especialmente, VB-Net también se puede personalizar para procesar grandes volúmenes de imágenes en 3D, por ejemplo, tomografías computarizadas de cuerpo entero. En la VB-Net personalizada, se agrega una operación adicional de muestreo descendente antes de enviar la imagen a la red troncal y una operación adicional de muestreo ascendente después de generar los mapas de probabilidad de segmentación para reducir el costo de la memoria GPU y ampliar el campo receptivo de la VB-Net. al mismo tiempo. Para estos órganos grandes con homogeneidad de alta intensidad, el campo receptivo ampliado de la VB-Net personalizada contribuye a centrarse en los límites con los órganos circundantes de bajo contraste.

El marco se implementa en PyTorch con una GPU Nvidia Tesla V100. El 10% del conjunto de entrenamiento se selecciona aleatoriamente como validación en cada tarea, con su pérdida calculada al final de cada época de entrenamiento. El proceso de entrenamiento se considera convergente si la pérdida deja de disminuir durante 5 épocas. Además, el posprocesamiento basado en componentes conectados se proporciona para eliminar los falsos positivos espurios seleccionando el componente conectado más grande en las tareas de segmentación de órganos o eliminando los componentes conectados pequeños en las tareas de segmentación de tumores.

Para las variables continuas que tenían una distribución aproximadamente normal, se representaron como media ± desviación estándar. Para las variables continuas con distribuciones asimétricas, se representaron como medianas (percentiles 25 y 75). Para comparar cuantitativamente el rendimiento de la segmentación (incluidos los coeficientes de Dice y los tiempos de inferencia) de RTP-Net con otros tres métodos (incluidos U-Net, nnU-Net y Swin UNETR), se realizaron análisis estadísticos mediante ANOVA de dos vías, seguido de Dunnett. Pruebas de comparación múltiple. Se obtuvieron valores de p ajustados de dos colas y se representaron con asterisco, con * indicando p < 0,05, ** indicando p < 0,01 y *** indicando p < 0,001. Todos los análisis estadísticos se implementaron utilizando IBM SPSS 26.0.

Se usaron gráficos de caja y bigotes para comparar cualitativamente el rendimiento de la segmentación (incluidos los coeficientes de dados y los tiempos de inferencia) de RTP-Net con otros tres métodos (incluidos U-Net, nnU-Net y Swin UNETR), que fue trazado por GraphPad Prisma 9. La visualización de resultados de segmentación se generó con ITK-SNAP 3.8.0. Todas las figuras fueron creadas por Adobe Illustrator CC 2019.

Más información sobre el diseño de la investigación está disponible en el Resumen de informes de investigación de Nature vinculado a este artículo.

Las imágenes relacionadas con OAR (N = 28,219) que respaldan los experimentos en este documento provienen de conjuntos de datos multicéntricos disponibles públicamente, es decir, The Cancer Imaging Archive (TCIA, https://www.cancerimagingarchive.net/), Head and Neck (HaN) Autosegmetation Challenge 2015 (https://paperswithcode.com/dataset/miccai-2015-head-and-neck-challenge), Segmentation of Thoracic Organs at Risk in CT Images (SegTHOR) Challenge 2019 (https://segthor .grand-challenge.org/), Desafío combinado (CT-MR) de segmentación de órganos abdominales saludables (CHAOS) 2019 (https://chaos.grand-challenge.org/), Desafío de decatlón de segmentación médica (MSD) 2018 (http: //medicaldecathlon.com/) y Análisis de nódulos pulmonares (LUNA) 2016 (https://luna16.grand-challenge.org/). El resto de los datos relacionados con el tumor (N = 362) se obtuvieron del Centro Oncológico de Shanghái de la Universidad de Fudan (Shanghai, China), donde se publican datos parciales (es decir, 50 casos) junto con el código, con el permiso obtenido del centro oncológico respectivo. El conjunto de datos completo está protegido debido a problemas de privacidad y políticas de regulación en el centro de cáncer.

El código relacionado está disponible en GitHub (https://github.com/simonsf/RTP-Net)64.

Cantado, H. et al. Estadísticas mundiales de cáncer 2020: estimaciones de Globocan de incidencia y mortalidad en todo el mundo para 36 cánceres en 185 países. CA-Cancer J. Clin. 71, 209–249 (2021).

Artículo PubMed Google Académico

Siegel, RL, Miller, KD, Fuchs, HE y Jemal, A. Estadísticas del cáncer, 2021. CA-Cancer J. Clin. 71, 7–33 (2021).

Artículo PubMed Google Académico

Wei, W. et al. Registro del cáncer en China y su papel en la prevención y el control del cáncer. Lanceta Oncol. 21, e342–e349 (2020).

Artículo PubMed Google Académico

Atún, R. et al. Ampliación del acceso mundial a la radioterapia. Lanceta Oncol. 16, 1153–1186 (2015).

Artículo PubMed Google Académico

Delaney, G., Jacob, S., Featherstone, C. & Barton, M. El papel de la radioterapia en el tratamiento del cáncer: Estimación de la utilización óptima a partir de una revisión de guías clínicas basadas en evidencia. Cáncer 104, 1129–1137 (2005).

Artículo PubMed Google Académico

Baskar, R., Lee, KA, Yeo, R. & Yeoh, KW Cáncer y radioterapia: Avances actuales y direcciones futuras. En t. J.Med. ciencia 9, 193–199 (2012).

Artículo PubMed PubMed Central Google Académico

Barnett, GC et al. Reacciones de los tejidos normales a la radioterapia: Hacia la adaptación de la dosis de tratamiento por genotipo. Nat. Rev. Cáncer 9, 134–142 (2009).

Artículo CAS PubMed PubMed Central Google Scholar

Jackson, SP & Bartek, J. La respuesta al daño del ADN en la biología humana y la enfermedad. Naturaleza 461, 1071–1078 (2009).

Artículo ADS CAS PubMed PubMed Central Google Scholar

De Ruysscher, D. et al. Toxicidad de la radioterapia. Nat. Dis. rev. Remilgado. 5, 13 (2019).

Artículo PubMed Google Académico

Huynh, E. et al. Inteligencia artificial en oncología radioterápica. Nat. Reverendo Clin. oncol. 17, 771–781 (2020).

Artículo PubMed Google Académico

Deig, CR, Kanwar, A. & Thompson, RF Inteligencia artificial en oncología radioterápica. hematol. oncol. clin. am del norte 33, 1095–1104 (2019).

Artículo PubMed Google Académico

Cárdenas, CE et al. Avances en la autosegmentación. Semin. radiar oncol. 29, 185–197 (2019).

Artículo PubMed Google Académico

Sharp, G. et al. Visión 20/20: Perspectivas sobre la segmentación automatizada de imágenes para radioterapia. Medicina. física 41, 050902 (2014).

Artículo PubMed PubMed Central Google Académico

Hosny, A. et al. Inteligencia artificial en radiología. Nat. Rev. Cáncer 18, 500–510 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Litjens, G. et al. Una encuesta sobre el aprendizaje profundo en el análisis de imágenes médicas. Medicina. Anal de imagen. 42, 60–88 (2017).

Artículo PubMed Google Académico

Minae, S. et al. Segmentación de imágenes mediante aprendizaje profundo: una encuesta. Trans. IEEE. Patrón Anal. Mach. Intel. 44, 3523–3542 (2022).

Lustberg, T. et al. Evaluación clínica de atlas y contorneado automático basado en aprendizaje profundo para el cáncer de pulmón. Radioter. oncol. 126, 312–317 (2018).

Artículo PubMed Google Académico

Zabel, WJ et al. Evaluación clínica del aprendizaje profundo y el autocontorneado basado en atlas de la vejiga y el recto para la radioterapia prostática. Practica radiar oncol. 11, e80–e89 (2021).

Artículo PubMed Google Académico

Wang, H. et al. Segmentación multi-atlas con fusión de etiquetas conjuntas. Trans. IEEE. Patrón Anal. Mach. Intel. 35, 611–623 (2013).

Artículo PubMed Google Académico

Isgum, I. et al. Segmentación basada en múltiples atlas con aplicación de fusión de decisión local a la segmentación cardíaca y aórtica en tomografías computarizadas. Trans. IEEE. Medicina. Imágenes 28, 1000–1010 (2009).

Artículo PubMed Google Académico

Dolz, J., Desrosiers, C. & Ben Ayed, I. Redes totalmente convolucionales 3D para segmentación subcortical en resonancia magnética: un estudio a gran escala. Neuroimagen 170, 456–470 (2018).

Artículo PubMed Google Académico

Chen, L. et al. DRINet para segmentación de imágenes médicas. Trans. IEEE. Medicina. Imágenes 37, 2453–2462 (2018).

Artículo PubMed Google Académico

Hu, H., Li, Q., Zhao, Y. y Zhang, Y. Algoritmos paralelos de aprendizaje profundo con mecanismo de atención híbrido para la segmentación de imágenes de tumores pulmonares. Trans. IEEE. Ind. Informar. 17, 2880–2889 (2021).

Artículo Google Académico

Oksuz, I. et al. Detección y corrección basadas en aprendizaje profundo de artefactos de movimiento de RM cardiaca durante la reconstrucción para una segmentación de alta calidad. Trans. IEEE. Medicina. Imágenes 39, 4001–4010 (2020).

Artículo PubMed Google Académico

Funke, J. et al. Segmentación de imágenes a gran escala con aprendizaje profundo basado en pérdida estructurada para la reconstrucción del conectoma. Trans. IEEE. Patrón Anal. Mach. Intel. 41, 1669–1680 (2019).

Artículo PubMed Google Académico

Gibson, E. et al. Segmentación automática de múltiples órganos en TC abdominal con redes en V densas. Trans. IEEE. Medicina. Imágenes 37, 1822–1834 (2018).

Artículo PubMed PubMed Central Google Académico

Isensee, F. et al. nnU-Net: un método de autoconfiguración para la segmentación de imágenes biomédicas basada en el aprendizaje profundo. Nat. Métodos 18, 203–211 (2021).

Artículo CAS PubMed Google Académico

Haberl, MG et al. Aprendizaje profundo basado en la nube CDeep3M-plug-and-play para la segmentación de imágenes. Nat. Métodos 15, 677–680 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Zhu, W. et al. AnatomyNet: aprendizaje profundo para una segmentación de volumen completo rápida y completamente automatizada de la anatomía de la cabeza y el cuello. Medicina. física 46, 576–589 (2019).

Artículo PubMed Google Académico

Dong, X. et al. Segmentación multiorgánica automática en imágenes de TC de tórax mediante U-Net-GAN. Medicina. física 46, 2157–2168 (2019).

Artículo PubMed Google Académico

Hatamizadeh, A. et al. Swin UNETR: Transformadores Swin para la segmentación semántica de tumores cerebrales en imágenes de resonancia magnética. BrainLes 2021. Apuntes de clase en informática 12962 (2021).

Yu, L. et al. Primera implementación de la automatización del flujo de trabajo completo en radioterapia: la solución todo en uno para el cáncer de recto. preimpresión de arXiv arXiv: 2202.12009 (2022). https://doi.org/10.48550/arXiv.2202.12009.

Han, M. et al. Evaluación a gran escala de V-Net para la segmentación de órganos en radioterapia guiada por imágenes. proc. SPIE Med. Imágenes 2019: Guía de imágenes. Proced., Intervenciones Robóticas, Modelado 109510O, 1–7 (2019).

Google Académico

Wang, S. et al. Segmentación de órganos pélvicos masculinos por TC utilizando redes totalmente convolucionales con representación sensible a los límites. Medicina. Anal de imagen. 54, 168–178 (2019).

Artículo PubMed PubMed Central Google Académico

Men, K., Dai, J. & Li, Y. Segmentación automática del volumen de destino clínico y los órganos en riesgo en la planificación de TC para el cáncer de recto utilizando redes neuronales convolucionales de dilatación profunda. Medicina. física 44, 6377–6389 (2017).

Artículo CAS PubMed Google Académico

Liang, S. et al. Detección basada en aprendizaje profundo y segmentación de órganos en riesgo en imágenes de tomografía computarizada de carcinoma nasofaríngeo para la planificación de radioterapia. EUR. Radiol. 29, 1961-1967 (2019).

Artículo PubMed Google Académico

Balagopal, A. et al. Segmentación de órganos totalmente automatizada en imágenes de TC pélvicas masculinas. física Medicina. Biol. 63, 245015 (2018).

Artículo PubMed Google Académico

Ge, Y. & Wu, QJ Planificación basada en el conocimiento para la radioterapia de intensidad modulada: una revisión de los enfoques basados ​​en datos. Medicina. física 46, 2760–2775 (2019).

Artículo PubMed Google Académico

Lou, B. et al. Un marco de aprendizaje profundo basado en imágenes para individualizar la dosis de radioterapia. Dígito de lanceta. Salud 1, e136–e147 (2019).

Artículo PubMed PubMed Central Google Académico

Meyer, P. et al. Automatización en la planificación del tratamiento de radioterapia: ejemplos de uso en la práctica clínica y tendencias futuras para un flujo de trabajo completamente automatizado. Cáncer Radiother. 25, 617–622 (2021).

Artículo CAS PubMed Google Académico

Nikolov, S. et al. Segmentación clínicamente aplicable de la anatomía de cabeza y cuello para radioterapia: desarrollo de algoritmos de aprendizaje profundo y estudio de validación. J.Med. Resolución de Internet 23, e26151 (2021).

Artículo PubMed PubMed Central Google Académico

Oktay, O. et al. Evaluación del aprendizaje profundo para aumentar la radioterapia guiada por imágenes para los cánceres de cabeza y cuello y de próstata. Red JAMA Abierto 3, e2027426 (2020).

Artículo PubMed PubMed Central Google Académico

Poortmans, PMP et al. Se acabó el invierno: el uso de la inteligencia artificial para individualizar la radioterapia para el cáncer de mama. Mama 49, 194–200 (2020).

Artículo PubMed Google Académico

Ventilador, J. et al. Planificación automática del tratamiento basada en la distribución de dosis tridimensional predicha a partir de la técnica de aprendizaje profundo. Medicina. física 46, 370–381 (2019).

Artículo PubMed Google Académico

Xia, X. et al. Una solución de proceso completo basada en inteligencia artificial para radioterapia: un estudio de prueba de concepto sobre el cáncer de recto. Frente. oncol. 10, 616721 (2021).

Artículo PubMed PubMed Central Google Académico

Clark, K. et al. El Archivo de Imágenes del Cáncer (TCIA): Mantener y operar un depósito de información pública. J. Dígito. Imágenes 26, 1045–1057 (2013).

Artículo PubMed PubMed Central Google Académico

Raudaschl, PF et al. Evaluación de métodos de segmentación en TC de cabeza y cuello: Auto-Segmentation Challenge 2015. Med. física 44, 2020-2036 (2017).

Artículo PubMed Google Académico

Ang, KK et al. Ensayo aleatorizado de fase III de radiación acelerada concurrente más cisplatino con o sin cetuximab para carcinoma de cabeza y cuello en estadio III a IV: RTOG 0522. J. Clin. oncol. 32, 2940–2950 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Lambert, Z., Petitjean, C., Dubray, B. & Kuan, S. SegTHOR: Segmentación de órganos torácicos en riesgo en imágenes de TC. 2020 Décima Conferencia Internacional sobre Teoría, Herramientas y Aplicaciones de Procesamiento de Imágenes (IPTA), 1–6 (2020).

Kavur, AE et al. Desafío CHAOS - Segmentación combinada de órganos abdominales sanos (CT-MR). Medicina. Anal de imagen. 69, 101950 (2021).

Artículo PubMed Google Académico

Antonelli, M. et al. El Decatlón de la Segmentación Médica. Nat. común 13, 4128 (2022).

Armato, SG et al. The Lung Image Database Consortium (LIDC) e Image Database Resource Initiative (IDRI): una base de datos de referencia completa de nódulos pulmonares en tomografías computarizadas. Medicina. física 38, 915–931 (2011).

Artículo PubMed PubMed Central Google Académico

Brouwer, CL et al. Delineación basada en TC de órganos en riesgo en la región de la cabeza y el cuello: DAHANCA, EORTC, GORTEC, HKNPCSG, NCIC CTG, NCRI, NRG Oncology y TROG consenso Guidelines. Radioter. oncol. 117, 83–90 (2015).

Artículo PubMed Google Académico

Lee, TC & Mukundan, S. Netter's Correlative Imaging: Neuroanatomy, 1st Edition. Saunders (2014). ISBN: 9781455726653.

Sol, Y. et al. Recomendación para un método de contorno y atlas de órganos en riesgo en pacientes con carcinoma nasofaríngeo que reciben radioterapia de intensidad modulada. Radioter. oncol. 110, 390–397 (2014).

Artículo PubMed Google Académico

Kong, FM et al. Consideración de límites de dosis para órganos en riesgo de radioterapia torácica: Atlas para pulmón, árbol bronquial proximal, esófago, médula espinal, costillas y plexo braquial. En t. J. Radiat. oncol. Biol. física 81, 1442–1457 (2011).

Artículo PubMed Google Académico

Gotway, Imagen correlativa de MB Netter: Anatomía cardiotorácica. Elsevier (2013). ISBN: 9781437704402.

Gentil, MS et al. Pautas de contorno para los ganglios linfáticos axilares para la administración de radioterapia en el cáncer de mama: Evaluación del atlas de cáncer de mama RTOG. En t. J. Radiat. oncol. Biol. física 93, 257–265 (2015).

Artículo PubMed Google Académico

Bradley, J. et al. Un estudio comparativo de fase II de la definición del volumen tumoral bruto con o sin fusión de PET/TC en la planificación dosimétrica para el cáncer de pulmón de células no pequeñas (NSCLC): análisis primario del grupo de oncología de radioterapia (RTOG) 0515. Int. J. Radiat. oncol. Biol. física 82, 435–441.e431 (2012).

Artículo PubMed Google Académico

Gay, HA et al. Pautas para el contorno del tejido pélvico normal para la radioterapia: Atlas del panel de consenso del Grupo de Oncología de Radioterapia. En t. J. Radiat. oncol. Biol. física 83, e353–e362 (2012).

Artículo PubMed PubMed Central Google Académico

Netter, FH Atlas de anatomía humana, 6ª edición. Saunders (2014). ISBN: 9780323390101.

Myerson, RJ et al. Volúmenes objetivo clínicos electivos para la terapia conformada en el cáncer anorrectal: un atlas de contorno del panel de consenso del grupo de oncología de radioterapia. En t. J. Radiat. oncol. Biol. física 74, 824–830 (2009).

Artículo PubMed Google Académico

Ng, M et al. Atlas de contorneado del Grupo de Ensayos Gastrointestinales de Australasia (AGITG) y pautas de planificación para la radioterapia de intensidad modulada en el cáncer anal. En t. J. Radiat. oncol. Biol. física 83, 1455–1462 (2012).

Artículo PubMed Google Académico

Shi, F. et al. RTP-Net: v1.0 en publicación. Github (2022). https://doi.org/10.5281/zenodo.7193687.

Descargar referencias

El estudio cuenta con el apoyo de los siguientes fondos: Fundación Nacional de Ciencias Naturales de China 62131015 (a Dinggang Shen) y 81830056 (a Feng Shi); Programa clave de I+D de la provincia de Guangdong, China 2021B0101420006 (a Xiaohuan Cao, Dinggang Shen); Comisión de Ciencia y Tecnología del Municipio de Shanghai (STCSM) 21010502600 (a Dinggang Shen).

Estos autores contribuyeron por igual: Feng Shi, Weigang Hu, Jiaojiao Wu.

Departamento de Investigación y Desarrollo, Shanghai United Imaging Intelligence Co., Ltd., Shanghai, China

Feng Shi, Jiaojiao Wu, Miaofei Han, Qing Zhou, Ying Wei, Ying Shao, Yanbo Chen, Yue Yu, Xiaohuan Cao, Yiqiang Zhan, Xiang Sean Zhou, Yaozong Gao y Dinggang Shen

Departamento de Oncología Radioterápica, Centro Oncológico de Shanghái de la Universidad de Fudan, Shanghái, China

Weigang Hu y Jiazhou Wang

Departamento de Oncología, Facultad de Medicina de Shanghái, Universidad de Fudan, Shanghái, China

Weigang Hu y Jiazhou Wang

Unidad de negocio de radioterapia, Shanghái United Imaging Healthcare Co., Ltd., Shanghái, China

Wei Zhang y Jingjie Zhou

Escuela de Ingeniería Biomédica, Universidad ShanghaiTech, Shanghái, China

dinggang shen

Centro de Investigación y Ensayos Clínicos de Shanghái, Shanghái, China

dinggang shen

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Concepción y diseño del estudio: DS, YG y FS; Recopilación y análisis de datos: MH, QZ, YW, YS, YC, YY; Interpretación de resultados: WH, J.Wu, J.Wang, WZ, JZ, XC, YZ y XSZ; Preparación del manuscrito: J.Wu, FS, QZ y DS Todos los autores revisaron los resultados y aprobaron la versión final del manuscrito. F. Shi, W. Hu y J. Wu contribuyeron igualmente a este trabajo.

Correspondencia a Yaozong Gao o Dinggang Shen.

FS, JW, MH, QZ, YW, YS, YC, YY, XC, YZ, XSZ, YG y DS son empleados de Shanghai United Imaging Intelligence Co., Ltd.; WZ y JZ son empleados de Shanghai United Imaging Healthcare Co., Ltd. Las empresas no tienen ningún papel en el diseño y la realización de la vigilancia y el análisis y la interpretación de los datos. Todos los demás autores informan que no tienen conflictos de intereses relevantes para este artículo.

Nature Communications agradece a Esther Troost y a los otros revisores anónimos por su contribución a la revisión por pares de este trabajo. Los informes de los revisores están disponibles.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Shi, F., Hu, W., Wu, J. et al. El aprendizaje profundo potenció la delineación del volumen de los órganos de todo el cuerpo en riesgo para la radioterapia acelerada. Nat Comun 13, 6566 (2022). https://doi.org/10.1038/s41467-022-34257-x

Descargar cita

Recibido: 21 Abril 2022

Aceptado: 19 de octubre de 2022

Publicado: 02 noviembre 2022

DOI: https://doi.org/10.1038/s41467-022-34257-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Nature Reviews Methods Primers (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.