增强对大型肺癌的立体压缩性增强放射治疗剂量预测:一种多尺度扩展网络方法,具有平衡尺度结构损失

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 部分立体性除性增强辐射疗法 (P-SABR) 对重的肺癌是有效的.
• P-SABR规划涉及耗时,重复的剂量计算.
• 提高计划效率对于患者治疗至关重要.

研究的目的:

• 开发一种新型的深度学习方法,用于P-SABR中对庞大的肺癌进行准确的3D剂量分布预测.
• 使用有限的数据,提高P-SABR治疗计划的效率.
• 研究AI在优化放射治疗计划方面的潜力.

主要方法:

• 一个3D多尺度扩展网络 (MD-Net) 是使用74名庞大的肺癌患者的数据开发的.
• 数据集被分为训练,验证和测试集与增强.
• 整合了平衡尺度结构损失函数,并与其他方法进行了比较.

主要成果:

• 拟议的MD-Net在预测剂量分布方面表现出很高的准确性,特别是在总目标体积 (GTV) 方面.
• 该方法显示,在感兴趣的地区,剂量计指数和剂量得分显著改善.
• 预测的剂量指数和剂量体积直方图 (DVHs) 相当于基本真实值.

结论:

• 开发的深度学习模型有效地使用有限的数据预测P-SABR剂量分布.
• 该方法对于大容量肺癌的治疗计划具有很高的准确性.
• 这种人工智能驱动的方法可以作为一个自动化工具来优化P-SABR规划和提高效率.