改善乳腺放射治疗的3D剂量预测,使用新的发光面具和梯度加权损失函数

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 深度学习 (Deep Learning) 是一种深度学习.
• 在瘤学瘤学.

背景情况:

• 乳腺癌治疗计划的质量差异很大.
• 使用剂量预测的自动化治疗计划可以减少计划的变化.
• 研究新的深度学习方法,以高质量的乳腺癌剂量预测.

研究的目的:

• 对比两种新的深度学习技术的性能,用于在接触场治疗中预测乳腺癌剂量.
• 评估一个编码轮距离的"发光"面具算法.
• 评估一个梯度加权平均平方误差 (MSE) 损失函数,强调高剂量梯度区域.

主要方法:

• 通过使用规划CT和器官轮 (心脏,肺,瘤床) 训练了四个3D U-Net深度学习模型.
• 使用了305个治疗计划的数据集 (分成70/15/15%的训练/验证/测试).
• 将新型"发光"口罩和渐变加权的MSE损失与标准二进制口罩和通过消去研究的MSE损失进行比较;使用平均误差 (ME),平均绝对误差 (MAE),危险器官剂量,子相似系数 (DSC) 和马分析 (3%/3 mm) 评估性能.

主要成果:

• 结合了新的发光面具和梯度加权损失函数,产生了表现最好的模型.
• 获得的平均ME为0.40%,MAE为2.70%,对心脏 (-0.10 Gy) 和肺 (0.01 Gy) 和瘤床 (-0.01%) 的最小剂量误差.
• 在50/95/100%的同位素水平下,中位数DSC为0.91/0.87/0.82,平均3D马传导率为93% (3%/3毫米).

结论:

• 新的解剖面具输入和损失功能显著改善了剂量预测性能,而不是标准方法.
• 这些技术很容易适应其他治疗场所,从而推进放射治疗剂量预测.
• 开发的模型显示了足够的性能,用于自动触角场放射治疗规划,特别是不需要规划目标体积 (PTV).