Künstliche Intelligenz in der Risikoorgan- und Zielvolumenkonturierung im Rahmen der Bestrahlungsplanung
Künstliche Intelligenz in der Risikoorgan- und Zielvolumenkonturierung im Rahmen der Bestrahlungsplanung
dc.contributor.advisor | Schmeel, Christopher | |
dc.contributor.author | Sarria Vargas, Gustavo Renato | |
dc.date.accessioned | 2024-04-26T11:28:10Z | |
dc.date.available | 2024-04-26T11:28:10Z | |
dc.date.issued | 26.04.2024 | |
dc.identifier.uri | https://hdl.handle.net/20.500.11811/11515 | |
dc.description.abstract | Hintergrund: Ziel der Studie war es, die Leistung der künstlichen Intelligenz (KI) bei der Autokonturierung im Vergleich zu einem menschlichen Behandler in Bezug auf Präzision, Unterschiede in der Dosisverteilung und Zeitaufwand zu vergleichen. Methoden und Materialien: Datensätze von zuvor bestrahlten Patienten in 3 verschiedenen Segmenten (Kopf- und Hals-, Brust- und Prostatakrebs) wurden retrospektiv gesammelt. Ein erfahrener Strahlenonkologe (MD) führte Risikoorgane (OARs) und klinische Standard-Zielvolumenabgrenzungen als Ausgangsstrukturen für den Vergleich durch. KI-basierte Autokonturen wurden in 2 zusätzlichen CT-Kopien erstellt; daher wurden 3 Gruppen bewertet: MD allein, KI allein und KI plus MD-Korrekturen (KI+K). Die Unterschiede im Dice Ähnlichkeitskoeffizienten (DSC) und in der Personenstundenbelastung wurden bewertet. Außerdem wurden die Veränderungen der klinisch relevanten Dosis-Volumen-Parameter bewertet und verglichen. Ergebnisse: Fünfundsiebzig zuvor behandelte Fälle wurden für die Analyse gesammelt (25 pro Segment). Im Vergleich zu den MD-Konturen waren die mittleren DSC-Scores bei 74% bzw. 80% der KI und KI+K höher als 0,7. Nach den Korrekturen wiesen 17,1% der Strukturen DSC-Score-Abweichungen von mehr als 0,1 auf und 10,4% der Dosis-Volumen-Parameter veränderten sich signifikant in den AI-konturierten Strukturen. Die Bewertung des Zeitaufwands ergab eine durchschnittliche Reduzierung der Personenstunden um 68%, 51% bzw. 71% für Brust-, Prostata- sowie Kopf- und Halskrebs. Schlussfolgerungen: Die AI lieferte in den untersuchten anatomischen Segmenten in hohem Maße klinisch akzeptable OARs und bestimmte klinische Zielvolumina. Geringe Korrektur- und Bewertungsanforderungen machen KI+K zu einem Standardarbeitsablauf. Minimale klinisch relevante Unterschiede in der OAR-Belastung wurden identifiziert. Eine beträchtliche Anzahl von Arbeitsstunden könnte mit dieser Technologie umgewidmet werden. | de |
dc.description.abstract | Artificial Intelligence-Based Autosegmentation: Advantages in Delineation, Absorbed Dose-Distribution, and Logistics Purpose: The study’s purpose was to compare the performance of artificial intelligence (AI) in auto-contouring compared with a human practitioner in terms of precision, differences in dose distribution, and time consumption. Methods and Materials: Datasets of previously irradiated patients in 3 different segments (head and neck, breast, and prostate cancer) were retrospectively collected. An experienced radiation oncologist (MD) performed organs-at-risk (OARs) and standard clinical target volume delineations as baseline structures for comparison. AI-based autocontours were generated in 2 additional CT copies; therefore, 3 groups were assessed: MD alone, AI alone, and AI plus MD corrections (AI+C). Differences in Dice similarity coefficient (DSC) and person-hour burden were assessed. Furthermore, changes in clinically relevant dose-volume parameters were evaluated and compared. Results: Seventy-five previously treated cases were collected (25 per segment) for the analysis. Compared with MD contours, the mean DSC scores were higher than 0.7 for 74% and 80% of AI and AI+C, respectively. After corrections, 17.1% structures presented DSC score deviations higher than 0.1 and 10.4% dose-volume parameters significantly changed in AI-contoured structures. The time consumption assessment yielded mean person-hour reductions of 68%, 51%, and 71% for breast, prostate, and head and neck cancer, respectively. Conclusions: In great extent, AI yielded clinically acceptable OARs and certain clinical target volumes in the explored anatomic segments. Sparse correction and assessment requirements place AI+C as a standard workflow. Minimal clinically relevant differences in OAR exposure were identified. A substantial amount of person-hours could be repurposed with this technology. | de |
dc.language.iso | deu | |
dc.rights | In Copyright | |
dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | |
dc.subject | Strahlentherapie | |
dc.subject | Konturierung | |
dc.subject | Kunstliche Intelligenz | |
dc.subject | Radiation therapy | |
dc.subject | contouring | |
dc.subject | artificial intelligence | |
dc.subject.ddc | 610 Medizin, Gesundheit | |
dc.title | Künstliche Intelligenz in der Risikoorgan- und Zielvolumenkonturierung im Rahmen der Bestrahlungsplanung | |
dc.type | Dissertation oder Habilitation | |
dc.publisher.name | Universitäts- und Landesbibliothek Bonn | |
dc.publisher.location | Bonn | |
dc.rights.accessRights | openAccess | |
dc.identifier.urn | https://nbn-resolving.org/urn:nbn:de:hbz:5-75950 | |
dc.relation.doi | https://doi.org/10.1016/j.adro.2023.101394 | |
ulbbn.pubtype | Erstveröffentlichung | |
ulbbnediss.affiliation.name | Rheinische Friedrich-Wilhelms-Universität Bonn | |
ulbbnediss.affiliation.location | Bonn | |
ulbbnediss.thesis.level | Dissertation | |
ulbbnediss.dissID | 7595 | |
ulbbnediss.date.accepted | 23.04.2024 | |
ulbbnediss.institute | Medizinische Fakultät / Kliniken : Radiologische Klinik | |
ulbbnediss.fakultaet | Medizinische Fakultät | |
dc.contributor.coReferee | Krüger, Björn-Peter | |
ulbbnediss.contributor.orcid | https://orcid.org/0000-0002-5929-7270 |
Files in this item
This item appears in the following Collection(s)
-
E-Dissertationen (1600)