방사선 치료를 위한 머리와 목 해부학의 임상 적용 가능한 분할을 달성하기 위한 딥러닝

전 세계에서 매년 50만 명 이상의 개인이 머리와 목 암 진단을 받습니다. 방사선 치료는 이 질병에 대한 중요한 치료 방법이지만, 방사선 민감 장기(Organs At Risk, OAR)의 수동적인 세분화로 인해 시간이 많이 소요됩니다. 이 계획 과정은 치료를 지연시킬 수 있으며, 결과적으로 방사선 용량 차이를 초래하는 조작자 간 변동성을 도입할 수 있습니다. 자동 세분화 알고리즘은 시간 절약이 가능한 해결책을 제공할 수 있지만, 전문가 성과를 정의하고 정량화하며 달성하는 데 여전히 어려움이 있습니다. 우리는 3D U-Net 구조를 채택하여 임상 실습에서 일반적으로 세분화되는 21개의 독특한 머리와 목 OAR을 구분하는 데 전문가 수준의 성과를 달성하는 것을 보여줍니다. 모델은 임상 실습에서 획득된 663개의 비개인화 컴퓨터 단층 촬영(CT) 스캔 데이터셋을 사용하여 훈련되었으며, 여기에는 임상 실습에서 얻은 세분화와 이 연구의 일환으로 숙련된 방사선사가 생성한 세분화가 포함되어 있으며, 모두 합의된 OAR 정의에 따라 이루어졌습니다. 우리는 두 독립 전문가에 의해 세분화된 21개의 OAR이 포함된 21개의 CT 스캔의 테스트 세트에서 모델의 성능을 평가하여 모델의 임상 적용 가능성을 보여줍니다. 또한, OAR 표면 윤곽 간 오차를 정량화하기 위해 장기 세분화 비교를 위한 새로운 지표인 표면 Dice 유사성 계수(surface DSC)를 도입하여, 자동화된 장기 세분화에서 오류를 수정하는 임상 작업을 더 잘 반영합니다. 마지막으로, 모델의 일반화 가능성은 다른 센터와 국가에서의 모델 훈련을 반영하는 두 개의 뚜렷한 오픈 소스 데이터셋에서 입증됩니다. 적절한 검증 연구와 규제 승인을 통해 이 시스템은 방사선 치료 경로의 효율성, 일관성 및 안전성을 개선할 수 있습니다.