TransAnaNet:基于变压器的解剖学变化预测网络,用于头部和部癌症患者的放射治疗
Meixu Chen1, Kai Wang1,2, Michael Dohopolski1
1Medical Artificial Intelligence and Automation (MAIA) Lab, Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, TX, 75235, USA.
ArXiv
|May 20, 2024
概括
视觉转换器神经网络在放射治疗期间准确预测头癌患者的解剖变化. 这项技术可以帮助个性化适应性放射治疗 (ART),以获得更好的治疗结果.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射治疗 物理 物理
背景情况:
- 适应性放射治疗 (ART) 旨在减轻头癌 (HNC) 治疗期间由解剖学变化引起的剂量测量误差.
- 由于患者的变化和资源限制,ART的临床实施具有挑战性.
- 早期识别可能经历重大解剖变化的HNC患者对于优化治疗和资源配置至关重要.
研究的目的:
- 评估视觉转换器 (ViT) 神经网络的可行性,以预测HNC患者的放射治疗诱导的解剖变化.
- 开发HNC放射治疗期间遇到的解剖学变异的预测模型.
主要方法:
- 使用121名HNC患者的回顾性数据开发了一个UNet风格的ViT网络.
- 该模型使用了计划CT,剂量,早期和晚期圆束CT (CBCT01,CBCT21) 以及瘤/节点体积 (GTVp,GTVn).
- 该网络预测了变形向量场和由此产生的解剖变化,并使用图像和体积相似度指标进行了验证.
主要成果:
- 与其他模型相比,ViT模型在预测解剖变化方面表现出很高的准确性,与实际的CBCT21有很高的相似性.
- 在预测和实际CBCT之间实现了0.009的平均平均平方误差 (MSE) 和0.933的结构相似度指数 (SSIM).
- 高子系数 (0.972为身体,0.792为GTVp,0.821为GTVn) 表示精确的体积预测.
结论:
- 拟议的基于ViT的方法显示了预测放射治疗引起的HNC解剖变化的显著前景.
- 这种预测能力可以帮助临床决策实施适应性放射治疗 (ART).
- 这种方法有可能提高HNC放射治疗的疗效和效率.
