This study aimed to design an autodelineation model based on convolutional neural networks for generating high-risk clinical target volumes and organs at risk in image-guided adaptive brachytherapy for cervical cancer.

A novel SERes-u-net was trained and tested using CT scans from 98 patients with locally advanced cervical cancer who underwent image-guided adaptive brachytherapy. The Dice similarity coefficient, 95th percentile Hausdorff distance, and clinical assessment were used for evaluation.

The mean Dice similarity coefficients of our model were 80.8%, 91.9%, 85.2%, 60.4%, and 82.8% for the high-risk clinical target volumes, bladder, rectum, sigmoid, and bowel loops, respectively. The corresponding 95th percentile Hausdorff distances were 5.23mm, 4.75mm, 4.06mm, 30.0mm, and 20.5mm. The evaluation results revealed that 99.3% of the convolutional neural networks-generated high-risk clinical target volumes slices were acceptable for oncologist A and 100% for oncologist B. Most segmentations of the organs at risk were clinically acceptable, except for the 25% sigmoid, which required significant revision in the opinion of oncologist A. There was a significant difference in the clinical evaluation of convolutional neural networks-generated high-risk clinical target volumes between the two oncologists (P<0.001), whereas the score differences of the organs at risk were not significant between the two oncologists. In the consistency evaluation, a large discrepancy was observed between senior and junior clinicians. About 40% of SERes-u-net-generated contours were thought to be better by junior clinicians.

The high-risk clinical target volumes and organs at risk of cervical cancer generated by the proposed convolutional neural networks model can be used clinically, potentially improving segmentation consistency and efficiency of contouring in image-guided adaptive brachytherapy workflow.

Cette étude visait à concevoir un modèle d’autodélinéation basé sur des réseaux neuronaux convolutionnels pour générer des volumes cibles anatomocliniques à haut risque et des organes à risque dans la curiethérapie adaptative guidée par l’image pour le cancer du col de l’utérus.

Un nouveau SERes-u-net a été entraîné et testé à l’aide de tomographies de 98 patientes atteintes d’un cancer du col de l’utérus localement évolué et ayant été prises en charge par une curiethérapie adaptative guidée par l’image. Le coefficient de similarité de Dice, la distance de Hausdorff au 95^e centile et l’évaluation clinique ont été utilisés pour l’analyse.

Les coefficients de similarité de Dice moyens de notre modèle étaient de 80,8 %, 91,9 %, 85,2 %, 60,4 % et 82,8 % pour le volume cible anatomoclinique à haut risque de respectivement la vessie, le rectum, le sigmoïde et les boucles intestinales. Les distances de Hausdorff au 95^e centile correspondantes étaient de 5,23mm, 4,75mm, 4,06mm, 30,0mm et 20,5mm. Les résultats de l’évaluation ont révélé que 99,3 % des coupes de volume cible anatomoclinique à haut risque générées par les réseaux neuronaux convolutionnels étaient acceptables pour l’oncologue A et 100 % pour l’oncologue B. La plupart des segmentations des organes à risque étaient cliniquement acceptables, à l’exception des 25 % pour le sigmoïde, qui ont nécessité une révision importante selon l’oncologue A. Il y avait une différence significative dans l’évaluation clinique du volume cible anatomoclinique à haut risque générée par les réseaux neuronaux convolutionnels entre les deux oncologues (p<0,001), alors que les différences de score des organes à risque n’étaient pas significatives entre les deux oncologues. Dans l’évaluation de la cohérence, une grande différence a été observée entre les cliniciens seniors et juniors. Environ 40 % des délinéations générées par le SERes-u-net et ont été jugées meilleures par les cliniciens débutants.

Les volumes cible anatomocliniques à haut risque et les organes à risque du cancer du col de l’utérus générés par le modèle des réseaux neuronaux convolutionnels proposé peuvent être utilisés cliniquement, améliorant potentiellement la cohérence de la segmentation et l’efficacité des délinéations dans le flux de travail de la curiethérapie adaptative guidée par l’image.