基于混合2D和3D卷积的可变形剂量预测网络,用于鼻癌放射治疗

科学领域:

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

背景情况:

• 放射治疗是鼻癌 (NPC) 的主要治疗方法.
• 准确的放射治疗剂量预测对于治疗质量和效率至关重要.
• 现有的2D模型缺乏空间学习,而3D模型则在医学图像异构性方面扎.

研究的目的:

• 为NPC放射治疗开发一个先进的剂量预测网络.
• 为了解决当前2D和3D卷积神经网络在处理医疗图像异性质方面的局限性.
• 提高NPC患者放射治疗计划的准确性和效率.

主要方法:

• 提出了一种新的2.5D可变形剂量预测网络,使用混合的2D和3D卷积.
• 整合了一个2.5D架构,以利用异构分辨率的定向信息进行跨尺度特征提取.
• 引入可变形卷积来改善受体场,并处理多尺度的空间转换,以及一个残余可变形挤压激发模块.

主要成果:

• 拟议的2.5D可变形网络与内部数据集上的现有方法相比,显示出优异的剂量预测性能.
• 在大多数关键剂量测量标准中取得了更好的结果,这表明放射治疗规划的准确性提高了.
• 该模型有效地利用了异构分辨率特性和交叉尺度特征,以改善预测.

结论:

• 新的2.5D可变形网络为NPC放射治疗提供了卓越的剂量预测.
• 这一进步对优化治疗计划和标准化放射治疗计划具有重要的临床价值.
• 开发的模型有助于物理学家提高NPC患者的治疗质量和效率.