基于深度学习的多重CT优化:一种适应性治疗规划方法,以考虑头癌强度调节质子疗法的解剖变化

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:

• 强度调节质子疗法 (IMPT) 对患者设置和解剖学变化等不确定性很敏感.
• 强有力的治疗计划对于有效的IMPT提供至关重要.

研究的目的:

• 开发和验证使用多重CT (MCT) 数据进行IMPT规划的深度学习框架.
• 通过整合每日形光束CT (CBCT) 信息来提高IMPT计划的稳定性和准确性.

主要方法:

• 开发了一个基于U-net的深度学习模型,用于从MCT图像中进行可靠的剂量预测.
• 可变形的注册使每日CBCT与初级规划CT (PCT) 保持一致.
• 一个剂量模拟算法根据预测剂量生成了可交付计划.

主要成果:

• 与基于PCT的计划相比,基于MCT的计划表现出更高的稳定性.
• 在MCT计划中观察到,对有风险的器官进行了增强的剂量节约.
• 在MCT计划中,CTV同质性和符合性指数有所改善.

结论:

• 通过MCT将日常CBCT图像纳入IMPT优化中是可行的和有利的.
• 这种方法增强了对解剖学变化的计划稳定性,可能减少了计划适应.
• 该框架显示了改善头癌治疗结果的前景.