在放射治疗中用于宫癌的剂量预测基于光束通道生成对抗网络
Hui Xie1,2, Tao Tan2, Hua Zhang3
1Department of Radiation Oncology, Affiliated Hospital (Clinical College) of Xiangnan University, Chenzhou, 423000, PR China.
Heliyon
|September 23, 2024
概括
这项研究介绍了Beam Channel GAN (Bc-GAN),这是一种用于宫癌放射治疗中辐射剂量预测的新型AI模型. Bc-GAN有效地处理混合强度调制放射治疗 (IMRT) 和体积调制弧线治疗 (VMAT) 数据集,提高预测准确性和效率.
科学领域:
- 医学物理 医学物理
- 人工智能的人工智能
- 辐射疗法 辐射疗法
背景情况:
- 像生成对抗网络 (GAN) 这样的深度学习模型与混合强度调制放射治疗 (IMRT) 和体积调制弧线疗法 (VMAT) 数据集在放射治疗剂量预测方面扎.
- 这种限制使得临床实践中准确的剂量分配预测变得复杂.
研究的目的:
- 开发和评估一种新的AI方法,光束通道GAN (Bc-GAN),用于使用混合IMRT和VMAT数据集进行准确的辐射剂量预测.
- 提高宫癌放射治疗中剂量预测的精度和效率.
主要方法:
- 开发了一个新的BCC-GAN模型,结合了光束角度加权方法,并定义了一个大致的预测范围来限制GAN输出.
- 医疗图像被用来计算最高权重束的剂量,作为人工智能模型的输入.
- 使用了295名宫癌患者 (IMRT:VMAT = 137:158) 的数据集,数据分为培训,验证和测试集.
主要成果:
- Bc-GAN模型在规划目标体积 (PTV) 和风险器官 (OAR) 中预测和实际剂量分布之间显示出最小的差异,与临床标准保持一致.
- 虽然PTV均质指数和Dmax在预测中略高,但在小肠,结肠和膀等器官中观察到显著的剂量差异.
- 该模型显示了预测特定器官剂量的变化,在膀V30中有显著差异.
结论:
- Bc-GAN模型为宫癌放射治疗中的辐射剂量预测提供了一个创新的解决方案,有效地处理混合IMRT和VMAT技术.
- 这种方法有可能在放射治疗中进行大规模的人工智能应用,减少数据需求和加速模型生成.
- Bc-GAN方法可以指导临床放射治疗计划的制定,并为其他瘤类型进行进一步的研究.
