使用罗神经网络预测可变形注册轮的子相似系数
Ping Lin Yeap1,2, Yun Ming Wong3, Ashley Li Kuan Ong1
1Division of Radiation Oncology, National Cancer Centre Singapore, Singapore.
Physics in medicine and biology
|July 12, 2023
概括
本研究引入了一种深度学习模型,用于预测适应性放射治疗中器官轮注册的准确性. 该模型准确地评估了轮记录质量,减少了手动审查的需要,并改善了处理适应.
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:
- 可变形图像注册 (DIR) 对于适应性放射治疗至关重要,使剂量积累成为可能.
- 用于DIR的手动轮评估是耗时的,容易引起观察者之间的变化.
- 准确记录处于危险的器官 (OAR) 轮对于治疗计划至关重要.
研究的目的:
- 开发一种深度学习模型,用于预测注册的OAR轮的子相似系数 (DSC).
- 为了自动评估前列腺放射治疗中的DIR精度.
- 为了减轻手动轮评估的负担.
主要方法:
- 在虚拟CT (vCT) 和束CT (CBCT) 图像对上训练了一个语神经网络.
- 该模型预测了DSC,这是一种界面注册质量的指标.
- 使用根平均平方误差 (RMSE) 和分类准确度来评估性能.
主要成果:
- 该模型实现了直肠 (0.070),前列腺 (0.079) 和膀 (0.118) 的低RMSE.
- 它在将直肠轮记录分类为好或差时显示了92%的准确性 (DSC <0.6).
- 灵敏度为0.97,表示高精度识别不好记录的轮.
结论:
- 拟议的深度学习模型准确地预测了注册的OAR轮的DSC.
- 这个工具可以可靠地评估DIR质量,并识别需要医生审查的轮.
- 该模型有助于在放射治疗中有效地调整计划.
