神经网络对宫支臂疗法的剂量预测:克服应用器特定模型的数据稀缺性

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 机器学习 机器学习

背景情况:

• 3D神经网络有助于自动化宫癌治疗规划.
• 由于数据的变化和稀缺性,将深度学习模型推广到各种各样的 BT 应用程序中具有挑战性.

研究的目的:

• 为了比较三个神经网络训练方法:单个组合模型,微调组合模型和单个应用器模型.
• 确定用于宫支臂疗法准确剂量预测的最佳方法.

主要方法:

• 在四种应用器类型 (T&O,T&ON,T&R,T&RN) 中,对859个治疗计划进行了3D级联U-Net培训.
• 进行比较的方法包括组合模型,组合模型的微调和单个 (IDV) 应用器模型.
• 使用平均误差 (ME),平均绝对误差 (MAE),马分析和子相似系数 (DSC) 来评估性能.

主要成果:

• 组合和微调模型的性能优于IDV模型.
• 微调在约一半的评估指标中提供了适度的改进.
• 低MAE和ME,高马通过率 (83-91%) 和高DSC (0.88-0.92) 表示精确的剂量预测.

结论:

• 对联合支臂治疗数据的培训提高了剂量预测的准确性,克服了单个应用器类型的数据稀缺性.
• 准确的,适应器特定的剂量预测可以促进宫支臂治疗的自动化,基于知识的规划.
• 综合数据集使神经网络能够学习不同应用者的可概括剂量趋势.