通过深度神经网络和对输入和输出数据格式的简单更改,改善呼吸信号预测

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 放射治疗期间的呼吸运动可能会损害治疗的准确性,并延长手术时间.
• 现有的呼吸门深度神经网络 (DNN) 模型在准确性和效率方面存在局限性.
• 准确预测呼吸运动对于实时瘤跟踪和有效的辐射输送至关重要.

研究的目的:

• 开发和评估一个通用的深度神经网络 (DNN) 模型,用于预测患者特定的呼吸运动.
• 为了提高呼吸道门的准确性和提高辐射治疗的吞吐量.
• 将新型模型的性能与现有的LSTM和非经常性DNN模型进行比较.

主要方法:

• 开发了一种使用长短期记忆 (LSTM) 的新型循环神经网络 (RNN) 模型.
• 该模型采用二维块数据输入和序列预测,以提高准确性和减少计算.
• 在434个回顾性临床数据集上接受了培训和测试,在各种预测窗口中评估了预测准确性和基于振幅的门.

主要成果:

• 新的RNN模型表现出卓越的准确性,平均绝对误差分别为0.036,0.084和0.119在133,333和533毫秒的预测窗口.
• 在测试的预测窗口中,基于振幅的门准确率达到98.3%,95.8%和92.7%,新模型在测试的预测窗口中达到98.3%,95.8%和92.7%.
• 该模型实现了具有竞争力的计算时间 (0.66毫秒),同时在预测准确性和网关效率方面表现优于其他模型.

结论:

• 开发的基于RNN的算法有效地预测呼吸信号和瘤位置,提高了放射治疗的精度.
• 这种通用模型在呼吸道门技术中提供了显著的进步,提高了准确性和治疗效率.
• 该模型有望在临床放射治疗的呼吸信号预测中得到广泛应用.