在放射治疗中用于头癌剂量预测的光束智能剂量组合学习
Lin Teng1, Bin Wang2, Xuanang Xu3
1School of Biomedical Engineering, ShanghaiTech University, Shanghai 201210, China; School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China.
Medical image analysis
|December 10, 2023
概括
这项研究引入了一种新的光束智能剂量组合学习 (BDCL) 方法,用于在头癌中准确预测放射治疗剂量. 通过考虑单个辐射束,BDCL方法提高了准确性,优于现有的方法.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 准确的剂量分配预测对于有效的放射治疗计划至关重要.
- 现有的方法往往无法解释辐射输送的束形性质,导致不准确,特别是在束路径上.
- 这种局限性需要改进放射治疗规划的计算模型.
研究的目的:
- 开发和验证一种新的光束智能剂量组合学习 (BDCL) 方法,用于在头部和部 (H&N) 放射治疗规划中改进剂量预测.
- 通过结合束形辐射输送的临床现实来解决当前剂量预测模型中的不准确性.
- 通过更准确的剂量分配预测,提高放射治疗规划的精度.
主要方法:
- 全球剂量网络预测了整个图像的初始粗剂量值.
- 个别的光束面罩被生成以将剂量分解为多个光束选民.
- 随后的光束剂量网络完善了这些选民,结合了重叠一致性模块,DVH校准和边缘增强以提高准确性.
- 精制的光束选器被重新组合起来,形成最终预测的剂量分布.
主要成果:
- 拟议的BDCL方法在AAPM OpenKBP挑战中的公共H&N癌症数据集上表现优越,与最先进的方法相比.
- 该方法在剂量预测准确度方面取得了显著的改进,特别是在关键区域和光束路径沿线.
- 定量和定性评估证实了BDCL方法在复制临床放射治疗计划中的有效性.
结论:
- 光束智能剂量组合学习 (BDCL) 方法在放射治疗的自动剂量分配预测方面取得了重大进展.
- 通过明确建模单个辐射束并结合临床约束,BDCL提高了预测准确性和临床相关性.
- 开发的方法为优化放射治疗计划和改善患者治疗结果提供了一个有前途的工具.
