基于深度学习的预测剂量-体积直方图对于左侧乳腺癌的体积调制弧线治疗

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 提供了放射治疗治疗规划的进步,简化了像体积调制弧线疗法 (VMAT) 等技术的反向规划.
• 仅使用患者解剖学,DL可以预测有风险的器官 (OAR) 剂量-体积组图 (DVHs).
• 这种个性化简化了计划,标准化了质量,并优化了乳腺癌患者的治疗.

研究的目的:

• 开发一个深度学习框架,用于预测器官特异性DVHs.
• 该框架是为接受VMAT治疗的左侧乳腺癌患者设计的.
• 预测是基于划分的解剖结构.

主要方法:

• 使用了249名接受VMAT治疗的左侧乳腺癌患者的数据集.
• 患者数据包括DVH导出的划分结构和剂量分布.
• 结合DenseNet和循环神经网络的DL模型被训练来预测DVHs.

主要成果:

• 在一个独立的测试组 (n=51) 上,DL模型证明了精确的DVH预测.
• 在PTV和OAR的预测和临床DVH之间观察到小点差异 (平均平方误差).
• 平均剂量的低平均绝对差异进一步验证了该模型的预测准确性.

结论:

• 该DL方法提供自动和可靠的DVH预测从划分的结构.
• 预测的DVH可以作为患者特定的目标,以改善放射治疗计划.
• 这通过提供优化目标和约束来促进自动化规划.