嵌套CNN架构用于前列腺癌断层治疗中的三维剂量分布预测
Maryam Zamanian1, Maziar Irannejad2, Iraj Abedi3
1Department of Medical Physics, School of Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
概括
一个嵌套的UNet架构改善了前列腺癌患者接受断层治疗的剂量分配预测准确度. 这种深度学习方法为预测放射治疗结果提供了更有效,更准确的方法.
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:
- 研究新的深度学习架构,以提高辐射剂量分布预测的准确性.
- 探索网络层修改作为复杂剂量计算的维度扩展的替代方案.
研究的目的:
- 与标准UNet相比,评估嵌套UNet架构在提高剂量分配预测准确度方面的有效性.
- 用剂量计和几何指数评估这些模型的性能.
主要方法:
- 使用了137名前列腺癌患者的队列,这些患者接受了断层疗法治疗,数据分为培训/验证 (80%) 和测试 (20%) 组.
- 嵌套的UNet和UNet模型被训练并使用平均绝对误差 (MAE) 进行剂量-体积直方图 (DVH) 和相似性指数 (SSIM,DSC,JSC) 进行预测.
- 使用双向威尔科克森试验 (p < 0.05) 确定统计学意义.
主要成果:
- 嵌套的UNet架构表明,在诸如计划目标体积 (PTV),膀和直肠等关键结构中,DVH指数中的MAE减少.
- 与UNet的0.91相比,嵌套的UNet实现了0.94的更高的结构相似度指数 (SSIM) 平均值,这表明了优越的几何相似度预测.
- 对于PTV,膀和直肠的特定MAE值显示,在嵌套的UNet中显著改善.
结论:
- 嵌套的UNet网络是一个合适的深度学习模型,用于提高放射治疗中剂量分布预测的准确性.
- 这种架构在预测准确性和效率方面比标准UNet具有显著的优势.
- 这些发现支持使用嵌套的UNet用于更精确的放射治疗计划.
