基于CyberKnife脑癌深卷积神经网络的三维剂量预测:对均质组织的精确光束建模
Yuchao Miao1,2, Ruigang Ge3, Chuanbin Xie3
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, 100021, China.
BJR open
|September 2, 2024
概括
这项研究引入了一种深度学习模型,用于对脑癌患者的CyberKnife辐射治疗剂量预测,通过结合光束建模来实现高精度. 该方法提高了治疗规划效率和运营效率.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 精确的剂量计算对于立体辐射疗法 (SRT),特别是CyberKnife治疗至关重要.
- 目前用于放射治疗规划的深度学习方法经常忽视关键的光束信息,主要关注解剖数据.
- 现有的模型通常针对传统的强度调节辐射疗法 (IMRT) 计划,而不是像CyberKnife.
研究的目的:
- 开发和验证基于深度卷积神经网络 (CNN) 的方法,用于预测脑癌患者的CyberKnife治疗剂量.
- 将模拟的光束信息,目标划分和患者解剖数据集成到深度学习模型中,以提高剂量预测.
- 为了提高对CyberKnife治疗的辐射治疗规划的准确性和效率.
主要方法:
- 使用了88名用射线追踪算法治疗的大脑和腹部癌症患者的回顾性数据集.
- 数据集包括患者CT扫描,风险器官 (OAR) 和目标面具,以及临床计划光束信息.
- 一个深度CNN模型在68个大脑病例上接受了训练,分别在6个和14个大脑病例上进行了验证和测试.
主要成果:
- 提出的方法实现了高的玛通过率:96.7%±2.9% (2mm/2%标准) 的身体,98.3%±3.0%的规划目标体积,和100.0%±0.0%的OARs.
- 模型的预测与临床计划的剂量-体积直方图非常相匹配,目标区域的度量差异通常低于1.0 Gy (约1.0 Gy). 3%相对于处方剂量).
- 初步结果表明,成功的3D剂量预测用于脑癌的CyberKnife治疗,使用精确的光束建模.
结论:
- 深度学习模型证明了在CyberKnife脑癌治疗中准确的3D剂量预测的能力.
- 精确的光束建模是实现在同质瘤组织中精确剂量预测的关键因素.
- 建议对更大的患者队列和多种癌症部位进行进一步验证,以充分确定该方法的有效性.
