使用级联深度监督卷积神经网络对脑瘤中低分离的SRS (马刀放射手术) 进行增强的3D剂量预测
Nan Li1,2, Jinyuan Wang3, Yanping Wang1
1Department of Radiation Oncology, Hebei Yizhou Tumor Hospital, Zhuozhou, 072750, China.
Physical and engineering sciences in medicine
|July 30, 2024
概括
一个新的深度学习模型,级联深度监督卷积神经网络 (CDS-CNN),准确地预测了对脑瘤的玛刀放射手术 (GKRS) 剂量. 这种人工智能方法提高了辐射治疗规划的精度和效率,减少了对专家物理学家的依赖.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 人工智能在医学中的应用
背景情况:
- 玛刀放射性手术 (GKRS) 需要高精度治疗脑瘤,因为缩的辐射剂量.
- 目前的GKRS治疗计划是复杂的,耗时的,并且严重依赖于医学物理学家的专业知识.
- 准确的剂量预测至关重要,以尽量减少对健康组织的损伤.
研究的目的:
- 开发一种先进的深度学习模型,用于精确预测GKRS剂量分布.
- 提高GKRS治疗计划的效率和同质性.
- 减少患者等待时间和对手动计划的依赖.
主要方法:
- 开发一个带有混合加权优化方案的级联深度监督卷积神经网络 (CDS-CNN).
- 实施多层次深度监督和一个连续的多网络培训战略.
- 培训和验证使用了经过GKRS的105名脑癌患者的数据.
主要成果:
- CDS-CNN与治疗计划系统 (TPS) 剂量实现了很高的一致性,其3D整体马传递率 (GPRs) 为97.15% (3 mm/3%).
- 性能超过了3D密集U-Net模型,在GPRs中显示了2.53%的改进.
- 与3D密集U-Net相比,CDS-CNN显示了优越的目标覆盖率 (98.33%±1.16%) 和改进的剂量测量指标.
结论:
- 拟议的CDS-CNN模型在预测GKRS剂量分布方面明显优于现有方法.
- 这种人工智能驱动的方法为GKRS提供了更准确,更有效的剂量预测.
- CDS-CNN有可能简化临床工作流程并提高放射治疗中的患者护理.
