Delineação de volume habilitada para aprendizagem profunda de todo

Apr 24, 2023

Nature Communications volume 13, Número do artigo: 6566 (2022) Citar este artigo

6150 Acessos

3 Citações

7 Altmétrica

Detalhes das métricas

Na radioterapia para pacientes com câncer, um processo indispensável é delinear órgãos de risco (OARs) e tumores. No entanto, é a etapa mais demorada, pois o delineamento manual é sempre exigido dos oncologistas de radiação. Aqui, propomos uma estrutura leve de aprendizado profundo para planejamento de tratamento de radioterapia (RTP), chamada RTP-Net, para promover uma inicialização automática, rápida e precisa de OARs e tumores de corpo inteiro. Resumidamente, a estrutura implementa uma segmentação grosseira a fina em cascata, com módulo adaptativo para órgãos pequenos e grandes e mecanismos de atenção para órgãos e limites. Nossos experimentos mostram três méritos: 1) Avalia extensivamente 67 tarefas de delineamento em um conjunto de dados de grande escala de 28.581 casos; 2) Demonstra precisão comparável ou superior com um dado médio de 0,95; 3) Atinge delineação quase em tempo real na maioria das tarefas com <2 s. Essa estrutura pode ser utilizada para acelerar o processo de contorno no esquema de radioterapia All-in-One e, assim, reduzir consideravelmente o tempo de resposta dos pacientes.

O câncer é considerado uma grande carga de doença com aumento rápido da morbidade e mortalidade em todo o mundo1,2,3. Estima-se que haverá 28,4 milhões de novos casos de câncer em 2040, um aumento de 47,2% em relação aos 19,3 milhões de novos casos de câncer correspondentes ocorridos em 2020. A radioterapia (RT) é usada como tratamento fundamentalmente curativo ou paliativo para o câncer, com aproximadamente 50% de pacientes com câncer recebendo benefícios da RT4,5,6. Considerando que a radiação de alta energia pode danificar o material genético de células cancerígenas e normais, é importante equilibrar a eficácia e a segurança da RT, que depende muito da distribuição da dose de irradiação, bem como do estado funcional dos órgãos - em -risco (OARs)6,7,8,9. O delineamento preciso de tumores e OARs pode influenciar diretamente os resultados da RT, uma vez que o delineamento impreciso pode levar a problemas de superdosagem ou subdosagem e aumentar o risco de toxicidades ou diminuir a eficácia dos tumores. Portanto, a fim de fornecer uma dose designada ao tumor alvo enquanto protege os OARs, uma segmentação precisa é altamente desejada.

O fluxo de trabalho rotineiro da RT clínica pode ser dividido em quatro etapas, incluindo (1) aquisição de imagens de TC e diagnóstico inicial, (2) planejamento do tratamento de radioterapia (RTP), (3) administração de radiação e (4) cuidados de acompanhamento. Isso é orientado por uma equipe de profissionais de saúde, como radioterapeutas, dosimetristas médicos, radioterapeutas e outros10,11. Geralmente, durante o estágio RTP, o contorno dos OARs e dos tumores-alvo é realizado manualmente por radioterapeutas e dosimetristas. Observe que a reprodutibilidade e a consistência da segmentação manual são desafiadoras devido à variabilidade intra e interobservador12. Além disso, o processo manual é muito demorado e muitas vezes leva horas ou até dias por paciente, levando a atrasos significativos no tratamento de RT12,13. Portanto, deseja-se desenvolver uma abordagem de segmentação rápida para obter delineamento preciso e consistente para OARs e tumores-alvo.

Mais recentemente, a segmentação baseada em aprendizado profundo mostrou um enorme potencial em fornecer resultados precisos e consistentes10,11,14,15,16, em comparação com a maioria das abordagens de classificação e regressão, como contorno baseado em atlas, modelagem de forma estatística e assim por diante17 ,18,19,20. A arquitetura mais popular são as redes neurais convolucionais (CNNs)21,22,23, incluindo U-Net24,25, V-Net26, bem como nnU-Net27, que alcançam excelente desempenho na competição de segmentação de imagens médicas Decathlon. Além disso, outros algoritmos híbridos também têm apresentado excelente desempenho de segmentação28,29,30, ou seja, Swin UNETR31. No entanto, o algoritmo baseado em aprendizado profundo precisa de recursos de computação específicos, como memória da unidade de processamento gráfico (GPU), especialmente para processamento de imagens 3D13, levando a aplicações clínicas limitadas na prática.