FA-Net:一个层次的特征融合和互动的基于注意力的网络,用于肝癌患者的剂量预测

科学领域:

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

背景情况:

• 肝癌自动化放射治疗计划依赖于准确的剂量预测.
• 现有的深度学习方法难以从多通道输入 (CT图像,OAR,PTV轮) 中提取特征,导致剂量分布不足最佳.

研究的目的:

• 开发一种新的深度学习网络,用于在肝癌放射治疗中增强剂量预测.
• 通过解决当前特征提取和融合技术的局限性,提高放射治疗计划设计的效率和质量.

主要方法:

• 提出了一种新的剂量预测网络,包含层次特征融合和交互式注意力.
• 开发了一个特征提取模块,用于多尺度的特征提取,以及一个层次融合模块,用于整合这些特征.
• 使用基于注意力的解码器来重建剂量分布,以及用于产生感知损失的自动编码器来提高预测准确性.

主要成果:

• 拟议的方法在私人临床数据集上实现了0.31的同质性指数 (HI) 和0.87的符合性指数 (CI).
• 实验结果表明,与现有的几种剂量预测方法相比,其性能优越.
• 生成的剂量分配与临床批准的计划非常接近.

结论:

• 新的层次特征融合和交互式注意网络显著提高了肝癌放射治疗中剂量预测的准确性.
• 该方法为增强自动化放射治疗计划提供了一个有希望的方法,从而导致更有效的治疗.
• 开发的网络提供了临床相关的剂量分配,推进了人工智能驱动的辐射瘤学领域.