探索网络深度对3D U-Net基于宫癌放射治疗剂量预测的影响
Mingqing Wang1, Yuxi Pan1, Xile Zhang1
1Department of Radiation Oncology, Cancer Center, Peking University Third Hospital, Beijing, China.
Frontiers in oncology
|October 1, 2024
概括
更深入的3D U-Net模型 (深度为5) 提高了宫癌患者放射治疗剂量预测的准确性. 这种最佳深度平衡了性能与计算资源的平衡,使其适用于较小的服务器.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 3D U-Net 深度神经网络是用于放射治疗剂量预测的常见工具.
- 然而,网络深度对其准确性和稳定性的影响尚不清楚.
研究的目的:
- 研究3D U-Net架构的不同网络深度如何影响放射治疗中的剂量预测准确性.
- 为了确定最佳的网络深度,以准确和可靠的剂量预测.
主要方法:
- 训练和测试了三种深度为3,4和5的3D U-Net模型.
- 对92名宫癌患者的数据进行了几何增强,这些患者接受了体积调节弧线疗法 (VMAT) 治疗.
- 基于剂量预测差异来评估模型的性能,以规划有风险的目标体积和器官.
主要成果:
- 具有5深度的3D U-Net模型在预测计划目标体积的剂量 (D98,D99,同质性) 中表现出卓越的准确性.
- 这种更深的模型还显示,与较浅的模型相比,大多数处于危险的器官的性能更好.
- 深度5模型需要最长的训练时间和最多的计算内存.
结论:
- 一个深度为5的3D U-Net模型为放射治疗剂量预测提供了最佳性能.
- 然而,它的计算需求限制了它在内存不足的系统上使用.
- 5的深度被确定为在资源有限的小型服务器上进行剂量预测的最佳选择.
