一个经过修改的U-net与图形表示用于食道癌放射治疗计划中的剂量预测

科学领域:

• 医学物理 医学物理
• 辐射治疗中的人工智能
• 在瘤学瘤学.

背景情况:

• 对食道癌的手动放射治疗计划是低效的.
• 现有的深度学习模型在捕捉远程依赖性和用于剂量预测的voxel相关性方面存在局限性.
• 准确的剂量预测对于令人满意的自动规划 (AP) 至关重要.

研究的目的:

• 开发一种先进的深度学习模型,用于在食道癌放射治疗中准确预测剂量.
• 提高自动放射治疗计划的效率和有效性.
• 解决特征提取和相关性分析当前方法的局限性.

主要方法:

• 修改了U-net架构,将图形卷积纳入用于远程信息捕获.
• 注意力机制学习规划目标体积 (PTV) 和有风险的器官之间的特征权重.
• 新的损失函数考虑了声格间对特征,以增强预测突出显示.

主要成果:

• 与最先进的模型相比,提出的方法取得了更高的性能.
• 符合性指数,同质性指数和PTV最大剂量的平均绝对误差分别为0.036 ± 0.030,0.036 ± 0.027和0.930 ± 1.162.
• 该模型在剂量预测准确度方面显著改善.

结论:

• 开发的模型显示出产生令人满意的食道癌自动放射治疗计划的巨大潜力.
• 图形卷积和注意力机制的整合有效地捕捉了剂量预测中的复杂空间关系.
• 这种方法在优化放射治疗规划效率和精度方面提供了有希望的进步.