深度学习驱动的剂量预测和验证用于对孤立脑转移的立体放射性手术治疗
Jinghui Pan1,2, Jinsheng Xiao1, Changli Ruan2
1School of Electronic Information, Wuhan University, Wuhan, Hubei, China.
Frontiers in oncology
|December 11, 2023
概括
这项研究引入了用于立体射线手术 (SRS) 脑转移规划的自动深度学习协议. 由人工智能驱动的方法成功生成了临床上可接受和可重复的治疗计划.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能的人工智能
背景情况:
- 使用深度学习的自动化放射治疗计划显示出希望,但对于特定场景而言是有限的,例如对大脑转移的立体射线手术 (SRS).
- 在线性加速器上的固定场强度调制辐射疗法 (IMRT) 对自动化规划提出了独特的挑战.
研究的目的:
- 开发和验证使用固定场IMRT用于大脑转移的SRS的深度学习引导的自动化规划协议.
- 解决当前深度学习方法在这种特定的临床场景应用的局限性.
主要方法:
- 从两个机构收集了70个SRS计划 (36个培训,34个测试).
- 为临床剂量预测开发了两个3D UNet架构 (UNet,AttUNet).
- 采用voxel中心的剂量仿真用于计划生成,并通过剂量计和线性加速器进行验证.
主要成果:
- 深度学习模型准确地预测了剂量,反映了手册计划,并满足了对有风险的器官 (OAR) 的临床规定.
- 与基础性的UNet相比,AttUNet表现出了有希望的结果.
- 生成的计划实现了100%的马核准率 (3mm/3%),证实了临床可接受性和可交付性.
结论:
- 一种基于固定场IMRT的SRS用于脑转移的自动化规划技术成功地被证明.
- 开发的协议产生了符合临床要求的计划,可以在各个机构中复制,并且可以在交付中实现.
- 这项工作标志着向大脑转移辐射瘤学中自动化治疗规划范式的进步.
