ترجمه فارسی مقاله تقسیم دو مرحله تومورهای گردن رحم با استفاده از Pocketnet

چکیده

Cervical cancer remains the fourth most common malignancy amongst women worldwide.1 Concurrent chemoradiotherapy (CRT) serves as the mainstay definitive treatment regimen for locally advanced cervical cancers and includes external beam radiation followed by brachytherapy.2 Integral to radiotherapy treatment planning is the routine contouring of both the target tumor at the level of the cervix, associated gynecologic anatomy and the adjacent organs at risk (OARs). However, manual contouring of these structures is both time and labor intensive and associated with known interobserver variability that can impact treatment outcomes. While multiple tools have been developed to automatically segment OARs and the high-risk clinical tumor volume (HR-CTV) using computed tomography (CT) images,3,4,5,6 the development of deep learning-based tumor segmentation tools using routine T2-weighted (T2w) magnetic resonance imaging (MRI) addresses an unmet clinical need to improve the routine contouring of both anatomical structures and cervical cancers, thereby increasing quality and consistency of radiotherapy planning. This work applied a novel deep-learning model (PocketNet) to segment the cervix, vagina, uterus, and tumor(s) on T2w MRI. The performance of the PocketNet architecture was evaluated, when trained on data via 5-fold cross validation. PocketNet achieved a mean Dice-Sorensen similarity coefficient (DSC) exceeding 70% for tumor segmentation and 80% for organ segmentation. These results suggest that PocketNet is robust to variations in contrast protocols, providing reliable segmentation of the ROIs.

چکیده به فارسی (ترجمه ماشینی)

سرطان دهانه رحم چهارمین بدخیمی شایع در بین زنان در سراسر جهان است. 1 شیمی درمانی همزمان (CRT) به عنوان رژیم درمانی قطعی اصلی برای سرطان های دهانه رحم محلی پیشرفته خدمت می کند و شامل تابش پرتوهای خارجی و به دنبال آن براکی تراپی است.هر دو تومور هدف در سطح دهانه رحم ، آناتومی زنان و زایمان همراه و اندامهای مجاور در معرض خطر (OARS).با این حال ، کانتینر دستی این سازه ها هم زمان و هم کار فشرده و هم با تنوع بین سازنده شناخته شده است که می تواند بر نتایج درمانی تأثیر بگذارد.در حالی که ابزارهای مختلفی برای تقسیم خودکار OAR ها و حجم تومور بالینی پرخطر (HR-CTV) با استفاده از تصاویر توموگرافی کامپیوتری (CT) ایجاد شده است ، 3،4،5،6 توسعه ابزارهای تقسیم بندی تومور مبتنی بر یادگیری عمیق با استفاده از روتینتصویربرداری رزونانس مغناطیسی T2 با وزن (T2W) (MRI) به یک نیاز بالینی برآورده نشده برای بهبود کانتینر روتین ساختارهای آناتومیکی و سرطانهای دهانه رحم می پردازد و از این طریق کیفیت و قوام برنامه ریزی رادیوتراپی را افزایش می دهد.این کار از یک مدل یادگیری عمیق جدید (PocketNet) برای تقسیم دهانه رحم ، واژن ، رحم و تومور (ها) در MRI T2W استفاده کرد.عملکرد معماری Pocketnet هنگام آموزش بر روی داده ها از طریق اعتبار سنجی متقاطع 5 برابر مورد بررسی قرار گرفت.PocketNet به میانگین ضریب شباهت تاس-سورنسن (DSC) بیش از 70 ٪ برای تقسیم تومور و 80 ٪ برای تقسیم اندام دست یافت.این نتایج نشان می دهد که PocketNet نسبت به تغییرات در پروتکل های کنتراست قوی است و تقسیم قابل اعتماد ROI را ارائه می دهد.