放射治疗中剂量频段预测的可行性研究:预测计划剂量范围的光谱
Yaoying Liu1, Zhaocai Chen2, Qichao Zhou2
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China; School of Physics, Beihang University, Beijing 102206, China; Department of Radiation Oncology, PLA General Hospital, Beijing 100853, China.
概括
这项研究引入了剂量频段预测,这是一种新的深度学习方法,为癌症治疗规划和质量保证提供各种潜在辐射剂量的频谱. 这种方法通过提供多种剂量选择,提高了放射治疗的灵活性和质量.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 目前的深度学习剂量预测模型产生单剂量分布,如果发生不准确情况,限制选择.
- 这种不灵活性给放射治疗的治疗计划和质量保证 (QA) 带来了挑战.
研究的目的:
- 为放射治疗引入一种新的"剂量频段预测"方法,提供预测剂量分布的频谱.
- 通过提供多种剂量选择,提高治疗规划和质量保证的灵活性和质量.
主要方法:
- 开发了使用3D神经网络和上/下频段损失的上/下频段模型 (UBM/LBM).
- 从UBM/LBM.使用最大/最小的合理剂量定义了每个voxel的理想剂量谱.
- 将该方法应用于鼻,宫癌数据集,使用断层疗法,IMRT和VMAT,包括基于剂量带的自动规划比较.
主要成果:
- UBM/LBM剂量形成了一个预测的剂量谱,比临床剂量高/低,中线剂量 (平均值) 与临床剂量保持良好一致.
- 跨数据集的规划目标体积 (PTV) 和风险器官 (OAR) 的平均差异显示了中线剂量的一致性.
- 剂量带自动规划表明,当PTV满足处方时,OAR与MSE模型的平均差异为-2.67%.
结论:
- 剂量频段预测方法成功生成了辐射剂量的光谱.
- 这种方法显著提高了放射治疗中自动化治疗规划和质量保证流程的灵活性和质量.
