通过使用完整的OAR轮集来标准化和改进头癌的剂量预测
Jacob S Buatti1, Neil Kirby1, Sotirios Stathakis1
1Department of Radiation Oncology, School of Medicine, University of Texas Health Science Center at San Antonio, San Antonio, Texas, USA.
Medical physics
|December 21, 2023
概括
自动轮通过替换缺失的风险器官数据来提高放射治疗剂量预测的准确性. 与标准U-Net相比,Cascade U-Net架构在剂量预测方面表现出更高的精度.
科学领域:
- 辐射疗法 辐射疗法
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 临床放射治疗数据集通常具有不一致或缺失的风险器官 (OAR) 轮数据.
- 缺失的轮数据对基于深度学习的剂量预测模型的影响尚未得到充分理解.
研究的目的:
- 研究不完整的轮集对深度学习剂量预测模型的影响.
- 引入一种使用自动轮来替代缺失的OAR数据的新方法.
主要方法:
- 在头癌 (HNC) 患者数据上训练有素的标准和级联U-Nets.
- 仅使用原始轮 (OC),混合轮 (HC) 与自动替换以及自动轮 (AC) 的评估模型.
- 使用全球剂量协议,PTV覆盖范围和OAR剂量协议评估模型性能.
主要成果:
- 自动轮替换改善了U-Net模型的剂量预测准确度.
- 轮数据变化没有影响PTV覆盖范围.
- 混合轮数据集显示,对下和脑干等OAR的平均剂量准确度有更大的改善.
结论:
- 自动化轮提高剂量预测准确性特定的指标,但不是所有的.
- 与标准U-Net相比,Cascade U-Net架构在放射治疗剂量预测方面提供了更高的精度.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.8K
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
1.4K
