分析和预测肝体积变化地图的分析和预测,这些地图来自于在放射治疗前和后获得的计算机断层扫描

科学领域:

• 辐射瘤学 辐射瘤学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 肝癌的外部束辐射疗法 (EBRT) 可以诱导肝缩或肝缩.
• 预测这些体积变化是治疗规划期间肝功能保护的关键.
• 目前对肝脏的空间剂量/体积关系的理解有限.

研究的目的:

• 分析放射治疗后肝脏子区域的剂量/体积关系.
• 开发和验证一种深度学习模型,用于预测治疗后的肝体积变化.
• 调查使用可变形图像记录 (DIR) 来量化肝体积变化.

主要方法:

• 收集了100名肝癌患者的EBRT前后成像数据,这些患者接受了强度调节放射治疗 (IMRT).
• 在RT前和RT后CT扫描之间进行DIR,以生成代表肝体积变化的雅可比图.
• 利用深度学习来预测基于RT前CT和计划剂量分配的雅可比图.

主要成果:

• 在 2 Gy 分数 (EQD2) 中的平均相当剂量和肝脏子区域的体积变化之间观察到中等相关性 (Pearson r: -0.36至 -0.67).
• 深度学习模型预测的体积变化地图显示,与单独的EQD2分布 (0.55 ± 0.23) 相比,基于DIR的地图具有显著更强的voxel-wise相关性 (0.63 ± 0.24).
• 该模型证明了在治疗数月后建立复杂的剂量反应关系的能力.

结论:

• 基于深度学习的预测,放射治疗后的肝体积变化是可行的和准确的.
• 开发的方法显示了作为适应性和个性化的肝脏放射治疗的预测工具的希望.
• 这种方法可以在治疗规划期间帮助制定保护肝功能的策略.