深度学习用于高分辨率剂量预测,用于乳腺癌治疗的高剂量速率支臂疗法

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 计算剂量计计算剂量计.

背景情况:

• 蒙特卡洛 (MC) 模拟是精确放射治疗剂量计算的黄金标准,特别是在特定患者的高剂量速率胸膜疗法 (HDR BT) 中,组织异质性至关重要.
• 由于MC模拟的大量计算时间,这阻碍了它们的广泛临床应用.
• 以前的深度学习 (DL) 模型实现了MC级准确度,但由于GPU限制,它们仅限于较低的分辨率 (3mm × 3mm × 3mm voxels).

研究的目的:

• 开发一种基于DL的剂量预测方法,在高分辨率 (1mm × 1mm × 1mm voxels) 上具有MC模拟精度.
• 为了在临床上可接受的时间框架内实现这些预测.
• 为了使精确的剂量计算,考虑到患者特定的组织组成.

主要方法:

• 使用了98名乳腺癌患者的CT扫描,这些患者接受了Iridium-192 HDR BT治疗 (培训70人,验证14人,测试14人).
• 开发了一种基于种子距离的新型作物策略,以减少数据量,以在1毫米分辨率下高效地训练3D DL模型.
• 提出了一种新的DL架构,具有层级融合,通过将TG-43剂量与水中的水 (D_w) 整合到患者组织组成数据来预测剂量到中等-在-中等 (D_m).

主要成果:

• 拟议的DL方法实现了最先进的性能,与MC D_m地图匹配,但运行速度快300倍.
• 关键剂量计指数的证明最小平均绝对百分比误差:PTV V100的0.17% ± 0.15%,皮肤D2的0.30% ± 0.32%,肺D2的0.82% ± 0.79%,胸壁D2的0.34% ± 0.29%,心脏D2的1.08% ± 0.98%.
• 该方法成功地将TG-43 D_w地图转换为高分辨率的D_m地图.

结论:

• 新的DL策略使TG-43剂量分布能够高效准确地转换为高分辨率,中等特异性的剂量分布.
• 这种方法克服了MC模拟的计算局限性,为HDR BT.提供了临床上可行的替代方案.
• 提出的方法的高准确性和速度使其更容易融入临床工作流程,以改善放射治疗规划.