使用深度学习对前列腺癌适应性放射治疗的定量评估:膀剂量作为决定标准

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:

• 适应性放射治疗 (ART) 旨在根据分离放射治疗期间的解剖学变化调整治疗计划.
• 需要一个客观的,自动化的方法来确定每日图像采集后ART的最佳时间.

研究的目的:

• 开发和评估在前列腺癌放射治疗中执行ART的定量标准.
• 从每日光束CT (CBCT) 合成伪CT (sCT) 图像,并使用深度学习评估它们的剂量影响.

主要方法:

• 在60个患者数据集上训练了一个CycleGAN模型,以从CBCT中合成高质量的sCT图像.
• 在使用U-net架构的sCT图像上进行了膀自动划分 (AD).
• 在AD的sCT上进行剂量计算,以决定是否重新优化原始治疗计划 (ori-plan).

主要成果:

• 在关键区域 (身体,膀,脂肪,肌肉) 中,sCT图像显示出高精度,平均绝对误差低.
• 剂量测量评估显示高玛通过率 (98.78%在2mm/2%) 的PTV剂量计算在sCT.
• 膀剂量保持在安全范围内,即使有显著的体积变化,表明单独的体积不足以做出ART决定.

结论:

• 通过使用深度学习,为前列腺癌患者建立了剂量准确的自适应工作流.
• 实施ART以适应膀剂量变化,确保治疗的有效性和安全性.
• 根据机构经验,重新规划标准可以根据不同的临床环境进行定制.