变压器集成混合卷积神经网络用于鼻癌放射治疗中的剂量预测

科学领域:

• 医学物理 医学物理
• 人工智能在医学中的应用
• 放射治疗规划 放射治疗规划

背景情况:

• 放射治疗是鼻癌的主要治疗方法.
• 准确的剂量预测对于有效的放射治疗计划至关重要.
• 现有的深度学习模型 (CNN,变压器) 在捕获空间和远距离信息方面存在局限性.

研究的目的:

• 开发一种新的混合卷积神经网络 (CNN) 和变压器模型,以改进放射治疗剂量预测.
• 在剂量预测模型中增强特征传输和保存空间信息.
• 提高放射治疗治疗计划的效率和质量.

主要方法:

• 提出了一种混合CNN-变压器模型,采用具有频道注意力的层次密集反复编码器.
• 设计了一种渐进式解码器,用于对特征地图进行层层的重建.
• 实现对象驱动的跳过连接,以促进编码器-解码器信息流.

主要成果:

• 拟议的模型在关键剂量测量标准上表现优于基线方法.
• 图像分析指标 (PSNR,SSIM,NRMSE) 表示与地面真相和优越的视觉质量一致.
• 在剂量预测准确度方面,与先进方法相比,显著改善.

结论:

• 新的混合模型为放射治疗剂量预测提供了卓越的性能.
• 这种方法可以作为物理学家的宝贵临床工具,提高放射治疗规划效率.
• 该模型显示了改善鼻癌治疗结果的希望.