使用MHA-ResUNet的非小细胞肺癌患者的剂量分布预测

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 在瘤学中使用人工智能

背景情况:

• 肺癌放射治疗计划的自动化是有限的.
• 人工智能 (AI) 提供了剂量分布预测的潜力.
• 非小细胞肺癌 (NSCLC) 规划目标体积 (PTV) 和风险器官 (OAR) 的个体变异性需要定制的高精度剂量预测网络.

研究的目的:

• 开发一个深度神经网络,用于高精度的剂量分布预测.
• 帮助为NSCLC患者创建体积调制弧线疗法 (VMAT) 计划.

主要方法:

• 开发了MHA-ResUNet,集成大型内核扩展卷积和多头注意力 (MHA) 模块.
• 在80个NSCLC VMAT计划中使用CT图像,PTV和OAR数据训练网络.
• 使用voxel水平平均绝对误差 (MAE) 和临床剂量-体积指标评估性能,与其他网络进行比较.

主要成果:

• 在PTV中实现了1.43 Gy的voxel级MAE.
• 显示的D95误差小于1 Gy.
• 与其他三个网络相比,MHA-ResUNet在PTV和OAR中显示了最小的剂量误差.

结论:

• MHA-ResUNet增强了受体场,并过功能,以学习PTV和OAR之间的空间关系.
• 该网络可为接受VMAT放射治疗的NSCLC患者准确预测剂量分布.
• 这种人工智能方法对改进自动化放射治疗规划充满希望.