組織力学のモデル化を用いた適応的乳房放射線治療：乳房組織のセグメンテーション研究

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Int. J. Radiat. Oncol. Biol. Phys..2012 Nov;84(3):e419-25. S0360-3016(12)00656-6. doi: 10.1016/j.ijrobp.2012.05.014.Epub 2012-06-19.

組織力学のモデル化を用いた適応的乳房放射線治療：乳房組織のセグメンテーション研究

Adaptive breast radiation therapy using modeling of tissue mechanics: a breast tissue segmentation study.

Prabhjot Juneja
Emma J Harris
Anna M Kirby
Philip M Evans

PMID: 22717244 DOI: 10.1016/j.ijrobp.2012.05.014.

抄録

目的:

放射線治療計画に使用されるCTスキャンに適用される乳房組織分割法の精度を検証し、比較すること、および適応型乳房放射線治療に使用するモデルを開発する目的で、組織分布が分割精度に及ぼす影響を研究することを目的とした。

PURPOSE: To validate and compare the accuracy of breast tissue segmentation methods applied to computed tomography (CT) scans used for radiation therapy planning and to study the effect of tissue distribution on the segmentation accuracy for the purpose of developing models for use in adaptive breast radiation therapy.

方法および材料:

乳がんのために乳腺摘出術後の放射線治療を受けている24人の患者に、臥位と仰臥位でCT撮影を行った。胸部全体の臨床目標量の概要を明らかにした。臨床的標的体積は、以下のアルゴリズムを用いて線維性腺組織と脂肪組織にセグメンテーションされた：物理的密度のしきい値、対話的しきい値、3クラス（FCM3）と4クラス（FCM4）のファジーc平均、およびk平均。セグメンテーションアルゴリズムは2段階で評価された：第1に、仰臥位でも臥位でも乳房の組成が同じであるという仮定に基づくアプローチ、第2に、Dice類似度係数（DSC）を用いた3人の専門家の組織アウトラインとのセグメンテーションの比較である。乳房データセットを、専門家の評価に従って、非疎な線維腺組織分布と疎な線維腺組織分布にグループ化し、セグメンテーション法の精度と専門家間の一致を評価するために使用した。

METHODS AND MATERIALS: Twenty-four patients receiving postlumpectomy radiation therapy for breast cancer underwent CT imaging in prone and supine positions. The whole-breast clinical target volume was outlined. Clinical target volumes were segmented into fibroglandular and fatty tissue using the following algorithms: physical density thresholding; interactive thresholding; fuzzy c-means with 3 classes (FCM3) and 4 classes (FCM4); and k-means. The segmentation algorithms were evaluated in 2 stages: first, an approach based on the assumption that the breast composition should be the same in both prone and supine position; and second, comparison of segmentation with tissue outlines from 3 experts using the Dice similarity coefficient (DSC). Breast datasets were grouped into nonsparse and sparse fibroglandular tissue distributions according to expert assessment and used to assess the accuracy of the segmentation methods and the agreement between experts.

結果:

仰臥位と仰臥位の乳房組成分析は、方法間の違いを示しました。エキスパートのアウトラインに対する検証では、FCM3とFCM4の間に有意差（P<.001）が認められた。3つのクラスを持つファジィc平均は、専門家のアウトラインに最も近いセグメンテーション結果（平均DSC = 0.70）を生成した。乳房組織のアウトライン化については、専門家間で良好な一致（平均DSC = 0.85）が見られた。セグメンテーション精度と専門家の一致度は、スパース群よりも非スパース群の方が有意に高かった（P<.005）。

RESULTS: Prone and supine breast composition analysis showed differences between the methods. Validation against expert outlines found significant differences (P<.001) between FCM3 and FCM4. Fuzzy c-means with 3 classes generated segmentation results (mean DSC = 0.70) closest to the experts' outlines. There was good agreement (mean DSC = 0.85) among experts for breast tissue outlining. Segmentation accuracy and expert agreement was significantly higher (P<.005) in the nonsparse group than in the sparse group.

結論:

FCM3はCTデータ上で最も正確な乳房組織のセグメンテーションを与えたため、組織モデリングに基づいた適応放射線治療に使用することができた。乳房組織のセグメンテーション法は、線維腺組織がまばらに分布している患者では注意して使用すべきである。

CONCLUSIONS: The FCM3 gave the most accurate segmentation of breast tissues on CT data and could therefore be used in adaptive radiation therapy-based on tissue modeling. Breast tissue segmentation methods should be used with caution in patients with sparse fibroglandular tissue distribution.