基于深度学习的MLC光圈和监控单元预测作为乳房VMAT优化热启动

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:

• 目前的自动化治疗规划涉及两步程序:预测剂量分布,然后优化多叶聚合器 (MLC) 孔径和监测单元 (MU).
• 这种间接的方法可能会耗时,并且可能并不总是产生最佳的治疗计划.

研究的目的:

• 开发和评估一种深度学习方法,从患者解剖学中直接预测VMAT MLC光圈和MU.
• 与传统方法相比,评估人工智能初始化治疗计划的效率和临床可接受性.

主要方法:

• 一个卷积神经网络 (CNN) 模型 (U-net类型) 在101名右乳腺癌患者的VMAT计划上受过训练.
• 该模型将CT扫描和轮的投影作为输入,以预测所有控制点的MLC光圈和MU.
• 预测计划被用来初始化一个优化器,以便在临床治疗计划系统中进行微调.

主要成果:

• 美国有线电视新闻网的工作流将治疗计划计算时间减少了一半以上 (25分钟与60分钟相比).
• 规划目标体积 (PTV) 和风险器官 (OAR) 的平均剂量差异处于临床上可接受的范围内.
• 对于PTV_Breast,剂量差异为0.2 ± 0.5 Gy (D95%) 和0.6 ± 0.4 Gy (D0.035cc);对于PTV_Boost,剂量差异为-0.4 ± 0.3 Gy (D95%) 和0.7 ± 0.3 Gy (D0.035cc).

结论:

• 使用CNN直接预测VMAT MLC光圈和MU,可以显著减少治疗规划时间.
• 这种人工智能初始化的方法保持了临床计划的质量,使计划人员能够监督人工智能驱动的工作流程.
• 该方法为高效和有效的放射治疗规划提供了有希望的进步.