预测使用生成对抗网络的多重肺类立体性废弃辐射疗法的三维剂量分布

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:

• 立体性除性放射治疗 (SABR) 越来越多地用于肺转移.
• 治疗多重肺病变在优化剂量和分量方面存在挑战.
• 复杂的计划涉及多种病变,异质的处方和相互作用的剂量分配.

研究的目的:

• 开发和评估一个生成对抗网络 (GAN),用于实时剂量测量预测.
• 为了解决复杂的多种肺部SABR疗法.
• 为了在复杂的情况下平衡局部故障和治疗毒性.

主要方法:

• 一个GAN是使用来自第三级中心的患者数据进行训练的.
• 输入包括CT扫描,有风险的器官,目标结构和剂量下降估计.
• 模型性能使用voxel-voxel,DVH和符合性指标进行评估,并进行样本外验证.

主要成果:

• 获得的GAN平均绝对剂量测量差异<3 Gy和玛传递分数>90%的OARs.
• 肺V20和CV14的差异分别为1.40%±0.99%和75.8±42.0厘米.
• 样本外验证证实了模型的准确性和预测的低方差.

结论:

• 一个GAN有效地预测了复杂的多种肺部SABR的3D剂量.
• 快速剂量测量预测有助于评估治疗可行性.
• 这个工具可以探索不同处方的剂量测量变化.