通过使用编码器-解码器网络预测MLC运动序列来生成可交付的前列腺VMAT的DICOM RT治疗计划.
Gerd Heilemann1, Lukas Zimmermann1, Raphael Schotola1
1Department of Radiation Oncology, Comprehensive Cancer Center Vienna, Medical University Vienna, Vienna, Austria.
Medical physics
|June 14, 2023
概括
一个深度学习模型准确地预测前列腺癌的放射治疗计划,使线性加速器能够直接使用并简化治疗计划. 这促进了自主放射治疗工作流程的推进,以提高效率.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 深度学习是自动化放射治疗计划的活跃研究领域.
- 目前的方法往往仍然需要一个治疗计划系统 (TPS).
研究的目的:
- 开发和验证一个能够生成可交付的DICOM RT治疗计划的深度学习模型.
- 该模型预测了前列腺VMAT放射治疗的多叶合器 (MLC) 运动序列,可由线性加速器 (LINAC) 直接使用.
主要方法:
- 一个编码器-解码器网络在465个前列腺VMAT计划上受过训练,并在77个计划上得到验证.
- 在一个由77个计划组成的单独测试集上评估了性能.
- 损失函数包括叶子和的位置和监控单元,叶子损失有很大的权重;计划在TPS中重新计算以进行比较.
主要成果:
- 生成的计划与原始数据 (91.9%±7.1%的马通过率) 有很好的一致性.
- 与原始计划 (95.7% ± 2.2%) 相比,观察到PTV覆盖率略低 (D98% = 92.9% ± 2.6%).
- 平均膀或直肠剂量没有显著差异;最大剂量的差异很小.
结论:
- 深度学习模型成功地预测了前列腺VMAT的MLC运动序列,消除了对TPS测序的需求.
- 这有助于自主治疗规划,并使实时或在线自适应性放射治疗的工作流程更有效.
