分散RT:预测接受放射治疗的患者可能发生的解剖变形

科学领域:

• 医疗成像医学成像
• 放射治疗 物理 物理
• 人工智能在医学中的应用

背景情况:

• 放射治疗治疗计划需要准确预测解剖变化.
• 接受放射治疗的头癌患者经历了显著的解剖变异.
• 目前用于预测这些变化的方法有局限性.

研究的目的:

• 开发和评估深度学习模型,用于预测头部和部放射治疗期间患者特定的解剖变化.
• 评估不同无声扩散概率模型 (DDPM) 架构 (图像,可变形矢量场,混合) 在生成现实的解剖变异方面的性能.
• 调查预测的解剖变化的实用性,以优化强大的放射治疗计划.

主要方法:

• 开发了三个DDPM:图像模型,可变形向量场 (DVF) 模型和混合模型.
• 从头癌患者的纵向圆束CT (CBCT) 数据上的训练模型.
• 使用诸如瓦瑟斯坦距离等指标对模型性能进行评估,并与基准真实解剖变化进行比较.
• 用生成的图像来强大优化质子疗法计划.

主要成果:

• DDPMs成功地预测了解剖变化,包括后期部分的体重减轻.
• 图像和混合模型比DVF模型 (较低的瓦瑟斯坦距离) 更好地与地面真实解剖变化达成一致.
• 使用生成的图像进行强大的优化,与标准设置强度相比,最坏情况下的临床目标体积V95提高了7%.

结论:

• 开发的DDPM可以产生类似于实际患者观察到的解剖变化的分布.
• 这些模型具有显著的潜力,可以在放射治疗规划中增强强大的解剖优化.
• 进一步的研究可以探索这些深度学习方法的可变性预测和临床整合.