深度学习架构带有变频器和3D可变形卷积,用于对头部和部瘤的克尔级剂量预测
Liting Chen1, Hongfei Sun1, Zhongfei Wang1
1Department of Radiation Oncology, Xijing Hospital, Air Force Medical University, No.169 Changle West Road, Xi'an, 710032, Shaanxi, China.
Physical and engineering sciences in medicine
|August 5, 2024
概括
一个新的深度学习模型通过准确预测辐射剂量分布来加快头癌放射治疗计划,提高治疗效率和精度.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 辐射瘤学 辐射瘤学
背景情况:
- 强度调节放射治疗 (IMRT) 对头瘤至关重要,但由于复杂的解剖学,在快速,准确的治疗规划方面面临挑战.
- 优化IMRT计划需要精确预测voxel级剂量分布.
研究的目的:
- 开发和评估一种新的深度学习多尺度变压器 (MST) 模型,用于在头癌中加速和精确的IMRT规划.
- 为了提高 voxel 水平剂量分布预测的准确性.
主要方法:
- 开发了一个新的端到端多尺度变压器 (MST) 模型,结合了用于多尺度特征捕获和全球依赖性学习的移动变压器.
- 使用3D可变形卷积瓶块来提取形状感知特征并保存空间信息.
- 用数据增强和自我知识蒸来提高模型性能.
- 该MST模型在OpenKBP挑战数据集上进行训练和评估,并与C3D,TrDosePred和TSNet模型进行比较.
主要成果:
- 与现有模型相比,MST模型显示了对声素水平剂量分布的更高的预测准确性.
- 它实现了2.23 Gy的剂量得分和1.34 Gy的DVH得分,表现比其他产品优于8%-17%.
- 关键DVH指标的平均绝对误差明显较低,这表明临床参数的预测准确度提高.
结论:
- 拟议的MST深度学习模型显著提高了IMRT对头瘤剂量预测的准确性和效率.
- 该MST模型显示了在其他放射治疗场所的应用潜力,提高了整体治疗规划质量.
