变剂量:基于超像素级GCN分类指导的CT图像的变压器辐射疗法剂量预测

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 放射治疗治疗计划依赖于准确的剂量分布图,传统上通过人工,耗时的专家过程生成.
• 现有的自动化方法通常需要辅助输入,如细分面具,限制效率和适用性.
• 对于临床实践来说,需要更快,更有效的放射治疗规划对于临床实践至关重要.

研究的目的:

• 开发一种新的自动化方法来预测放射治疗剂量分布,仅使用CT图像作为输入.
• 消除对瘤和风险器官 (OARs) 的细分口罩的依赖.
• 提高自动化放射治疗计划的效率和潜在应用.

主要方法:

• 介绍了TransDose,这是一个深度学习模型,利用CT图像作为唯一的输入.
• 采用基于超像素的图形卷积网络 (GCN) 来提取类别特定的解剖特征,而无需分割面具.
• 集成了变压器架构,以捕捉CT切片和剂量图之间的远程依赖性和切片间连续性.

主要成果:

• TransDose仅使用CT图像成功预测剂量分布,证明了消除细分面具的可行性.
• 该模型通过GCN有效地提取必要的解剖信息,并通过变压器从切片间的连续性中获益.
• 在两个真实数据集上进行了广泛的实验,验证了拟议的TransDose方法的概括性和优势.

结论:

• 作为首个专门为仅从CT图像进行剂量预测而设计的网络,TransDose代表了重大进步.
• 该方法通过消除手动细分的需要来提高效率,加速放射治疗治疗计划.
• 该模型的表现表明,该模型具有广泛临床采用和改善患者护理的强大潜力.