深度学习方法用于预测左乳腺癌的三维剂量分布 符合规范的辐射疗法

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:

• 对于先进的放射治疗计划系统的需求日益增加.
• 基于学习的方法有可能提高规划速度和质量.
• 深度学习模型为放射治疗规划提供了一个新的视角.

研究的目的:

• 评估深度学习模型 (U-Res-Net) 的准确性和精度,用于预测乳腺癌放射治疗中的3D剂量分配.
• 将模型的预测与标准的治疗计划系统进行比较.

主要方法:

• 通过CT图像和120名乳腺癌患者的轮数据,训练并测试了一种3D U-Res-Net模型.
• 模型的输出 (预测剂量分布) 与10名试验患者的治疗计划系统计算的剂量分布进行了比较.
• 关键指标包括子相似系数,剂量差异,平均绝对误差 (MAE) 和马通过率.

主要成果:

• 深度学习模型的平均Dice相似度系数为0.91±0.03,对同剂量体积.
• 测试病例的平均MAE为5.71±1.19%,所有voxel的平均剂量差异为0.60±2.81%.
• 使用3mm/3%标准的3D马通过率在78.99%至97.58%之间,用于规划目标体积和有风险的器官.

结论:

• 深度学习模型可以准确地预测左乳腺癌患者的3D剂量分布.
• 开发的模型在放射治疗规划中表现出最佳的准确性和精度.
• 未来的研究可以扩展这个模型来预测其他癌症类型的剂量分布.