基于深度学习的精确和有效的剂量预测,用于笔束扫描质子疗法
Lian Zhang1, Jason M Holmes1, Zhengliang Liu2
1Department of Radiation Oncology, Mayo Clinic, Phoenix, AZ 85054, USA.
ArXiv
|July 3, 2023
概括
一个新的深度学习工作流可以准确地预测质子束散射疗法 (PBSPT) 的剂量. 滑窗方法显著提高了适应性质子疗法剂量预测的准确性,预测在0.25秒以下完成.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 准确的剂量预测对于在线自适应性质子疗法至关重要.
- 目前的方法可能缺乏实时临床决策所需的精度.
研究的目的:
- 开发基于深度学习 (DL) 的质子束散射疗法 (PBSPT) 剂量预测工作流.
- 为了实现高精度和平衡的复杂性,以支持在线适应性放射治疗决策.
- 为了在临床实践中实现高效的重新规划.
主要方法:
- 利用了103名前列腺癌和83名肺癌患者的PBSPT计划.
- 采用完全连接的3D-Unet架构.
- 对比了三种方法:常规感兴趣的区域 (ROI),光束罩和滑窗技术用于剂量预测.
主要成果:
- 与ROI方法相比,光束罩和滑动窗方法显著提高了剂量预测准确性 (DVH指数,3D马通过率,子系数).
- 滑动窗口方法提供了进一步的改进,特别是在低处方异位剂量线上.
- 所有剂量预测都迅速完成,每例在0.25秒内完成.
结论:
- 基于DL的滑窗方法为PBSPT剂量预测提供了高度准确和高效的解决方案.
- 这个工作流支持在线自适应性质子疗法决策和重新规划.
