一个端到端的基于神经网络的深度卷积神经网络剂量引擎,用于腺癌种子植入物胸膜疗法
Tianyu Xiong1,2, Jing Cai2, Fugen Zhou1
1Image Processing Center, Beihang University, Beijing, People's Republic of China.
Medical physics
|May 16, 2024
概括
一种新型的深卷积神经网络剂量引擎 (DCNN-DE) 提供了快速而准确的剂量计算,用于腺癌种子植入式胸膜治疗 (SIBT). 这种DCNN-DE改进了现有方法,提供了精确的剂量测量以改善治疗计划.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 计算成像技术的成像
背景情况:
- 种子植入器支臂疗法 (SIBT) 是腺癌 (PGCs) 的关键治疗方法.
- 目前的剂量计算方法 (TG-43) 由于解剖学异质性而不准确.
- 蒙特卡洛模拟 (MCS) 准确,但对于临床使用而言,计算密集.
研究的目的:
- 为PGC SIBT开发一个快速而准确的基于深度卷积神经网络的剂量引擎 (DCNN-DE).
- 为了克服PGC SIBT.当前剂量测量方法的局限性.
主要方法:
- 一个DCNN模型使用CT图像和TG-43剂量图进行训练,MCS剂量图作为地面真相.
- DCNN模型包含了注意力门 (AG) 和大型内核卷积,以提高性能.
- 该模型在188例PGC SIBT病例中接受了训练,并在16例非PGC头癌 (HNC) SIBT病例中进行了可转移性测试.
主要成果:
- 在PCG数据集上,DCNN-DE在CTV D90 (0.67%±0.47%) 和皮肤D0.1cc (1.04%±1.33%) 上实现了低百分比绝对误差 (PAE).
- AGs和大型内核卷积提高了准确度,分别为8.2%和3.1%.
- 在DCNN-DE证明了良好的可转移到非PGC HNCs (CTV D90 PAE 1.88% ± 1.73%) 和产生剂量图在不到10个月.
结论:
- 一个端到端的DCNN-DE用于PGC SIBT已经成功开发和验证.
- 该DCNN-DE使得快速和精确的剂量计算,适合PGC SIBT治疗优化和评估.
