在宫癌的高剂量速率支臂治疗中,基于注意门的深度学习的间歇性针的自动数字化

科学领域:

• 医学物理 医学物理
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 在宫癌治疗中,准确的间歇性针位置对于高剂量率 (HDR) 支臂治疗的有效性至关重要.
• 手动数字化针是耗时的,容易发生观察者之间的变化.
• 深度学习为自动化这一过程提供了一个有前途的途径.

研究的目的:

• 设计和评估一种新的关注型深度学习模型,用于在HDR支架疗法中自动间歇性针头数字化.
• 与传统方法相比,提高针的精度和差异化.
• 评估开发模型的临床适用性.

主要方法:

• 一项回顾性研究使用了来自17名宫癌患者的56个基于计算机断层扫描 (CT) 的HDR支臂治疗计划.
• 开发一个3D卷积神经网络 (CNN),结合空间和通道注意门 (AG).
• 关注的CNN (CNN + AG) 与传统的CNN和手动数字化 (基础真相) 的比较,使用诸如子相似系数 (DSC) 和定位错误等指标.

主要成果:

• 引起注意的CNN (CNN + AG) 实现了更高的DSC (约. 94%) 与传统的CNN (约. 这是89%的比例.
• 使用CNN+AG方法 (1.1毫米和1.8毫米) 与CNN方法 (2.0毫米和3.3毫米) 相比,针尖和轴定位错误显著减少.
• 与CNN方法相比,高风险临床目标体积 (HR-CTV) D90的剂量测量精度在CNN + AG方法 (0.4%差异) 和CNN方法 (1.7%差异) 中优越.

结论:

• 注意添加的深度学习模型证明了在HDR支线疗法中成功实现自动针数码化.
• 该模型实现了临床上可接受的几何和剂量准确性.
• 在这种应用中,关注式深度学习表现出优越的性能和显著的临床潜力,而不是传统的深度学习方法.