基于深度学习的剂量预测用于磁共振导向前列腺放射治疗

科学领域:

• 医学物理 医学物理
• 放射治疗技术 放射治疗技术
• 人工智能在医学中的应用

背景情况:

• 在MR-Linac上进行的每日适应性放射治疗 (ART) 需要在适应位置 (ATP) 和适应形状 (ATS) 等适应方法之间进行选择.
• 航空运输系统需要每天重新设计轮,这是耗时和资源密集的.
• 快速预测剂量分配和评估标准可以简化适应方法的选择并缩短治疗时间.

研究的目的:

• 开发和验证基于深度学习的前列腺癌治疗剂量预测管道,使用MR-Linac.

主要方法:

• 在35名前列腺癌患者的212张MRI图像上训练了一个深度学习细分网络,以划分CTV,膀和直肠.
• 开发了第二个深度学习网络,以使用细分结构预测剂量分布.
• 推断涉及使用预测细分作为剂量预测的输入,并将预测剂量与真实剂量进行比较.

主要成果:

• 细分网络实现了CTV的中位数子相似系数 (DSC) 值为0.90,膀为0.94,直肠为0.87.
• 作为输入剂量预测网络的预测细分结果,与真实细分相比,关键剂量参数 (D98%,D95%,D2%,Dmean,V33Gy,V38Gy,V41Gy) 的平均剂量差异<2%.
• 对于大多数参数,差异在统计学上是微不足道的,这表明预测和手动结构之间的性能可比.

结论:

• 开发的深度学习剂量预测管道显示,与使用手工划分结构相比,在实现临床剂量量约束方面存在很小的差异 (<2%).
• 管道是MR-Linac治疗的有价值的决策支持工具,特别是当差异超过2%时.