为预测模型和与计划交付能力相关的激活地图生成VMAT计划的3D图像

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 医疗保健中的人工智能

背景情况:

• 卷度调制弧线疗法 (VMAT) 涉及复杂的强度调制和监控单元 (MU) 在控制点 (CP) 上的变化.
• 患者特异性质量保证 (PSQA) 对于VMAT的交付能力至关重要,但效率低下,特别是在质量保证失败后.
• 现有的计划复杂度指标 (PCM) 和机器学习模型缺乏针对质量保证失败的CP特定见解.

研究的目的:

• 使用DICOM RT计划中的3D图像开发预测模型,以估计VMAT计划的交付能力.
• 为了可视化与VMAT计划交付能力相关的CP特定区域,以改善质量保证.

主要方法:

• 基于DenseNet的深度学习网络在259个左乳房和190个右乳房VMAT病例的DICOM RT计划中获得的3D图像上进行了训练.
• 3D图像包括CP和光束场大小之间的MLC和MU变化,以表示VMAT复杂性.
• 使用梯度加权类激活映射 (Grad-CAM) 可视化CP特定区域,并与PCM进行比较.

主要成果:

• 预测模型实现了高性能,AUC为92.2%-93.8%,F1得分为93.8%-97.0%.
• 该模型表现出高准确度 (91.7%-95.8%) 和特异性 (87.5%),有效地识别了质量保证失败的情况.
• 激活地图突出显示了可交付的关键区域,与PCM的相关性因患者而异,表明患者特定的因素.

结论:

• 一个深度学习网络有效地使用可视化动态计划信息预测了VMAT计划的交付能力.
• 该模型提供了CP特定规划参数洞察力,这对于患者特定计划可交付性评估至关重要.
• 这种方法通过在治疗前识别潜在问题来提高VMATQA的效率和准确性.