在鼻癌中基于深度学习的辐射疗法剂量分布预测:一项初步研究,结合了包括图像,结构和剂量计在内的多个特征

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:

• 强度调节放射治疗 (IMRT) 是鼻癌 (NPC) 的主要治疗方法.
• 准确预测辐射剂量分布对于优化IMRT疗效和最小化毒性至关重要.
• 深度学习模型,特别是卷积神经网络 (CNN),在医学图像分析和治疗规划方面表现有前途.

研究的目的:

• 开发和评估使用多通道输入CNN的深度学习框架,以提高NPC中IMRT剂量分布的预测准确性.
• 调查将目标合规剂量计划 (TCPD) 信息纳入CNN模型的影响.
• 为了比较具有剂量信息 (TCPD-CNN) 的CNN模型与没有剂量信息 (NonTCPD-CNN) 的模型的性能.

主要方法:

• 根据最大规划目标量 (PTV) 生成一个目标符合性计划 (TCP).
• 输入数据包括TCP剂量分配,图像,目标结构和风险器官 (OAR) 信息.
• TCPD-CNN模型包含TCPD,而非TCPD-CNN模型没有;使用统计分析 (排名威尔科克森测试) 进行性能比较.

主要成果:

• 与非TCPD-CNN模型相比,TCPD-CNN模型显示了与非TCPD-CNN模型相比,目标指数和OAR的可比或更好的预测准确性.
• TCPD-CNN与临床计划的相似性更高,剂量差异在目标结构的最大处方剂量的3%以内.
• 对目标结构和整个身体的3D马传递率在TCPD-CNN (67.9%) 中明显高于非TCPD-CNN (54.2%),在未见的VMAT计划中>90%.

结论:

• 一个包含多通道输入,特别是TCPD信息的新型深度学习框架,有效地提高了NPC中IMRT剂量分配的预测准确性.
• 这种方法有可能改善NPC治疗中的放射治疗计划和交付.
• 开发的框架表现出强大的性能,即使是在以前未见的体积调制弧线疗法 (VMAT) 计划上.