深度学习剂量预测接近Erasmus-iCycle剂量计计划质量,在几秒钟内进行即时治疗计划
Joep van Genderingen1, Dan Nguyen2, Franziska Knuth1
1Erasmus MC Cancer Institute, University Medical Center Rotterdam, Department of Radiotherapy, Rotterdam, the Netherlands.
概括
深度学习剂量预测的准确性随着更多的训练数据而提高,显示了即时辐射治疗规划的前景. 即使在1000名患者中,准确度也继续增加,这表明了更快,更高质量的治疗计划的潜力.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 深度学习 (DL) 能够快速预测3D辐射剂量分布.
- 准确的剂量预测对于即时治疗计划 (IP) 至关重要.
- IP可以显著减少临床工作量和患者等待时间.
研究的目的:
- 调查训练数据集大小和模型复杂度对DL剂量预测准确性的影响.
- 评估DL模型在前列腺癌放射治疗中启用IP的适用性.
- 使用Erasmus-iCycle地面真相 (GT) 计划来评估剂量预测的准确性.
主要方法:
- 在50-1000名前列腺癌患者的数据集上训练有素的层次密集连接U-Nets (2-6个聚合层).
- 利用150名患者的固定测试组进行评估.
- 使用Erasmus-iCycle自动计划系统生成的剂量分配.
主要成果:
- 剂量预测的准确性随着培训患者的数量增加到1000,持续增加.
- 通过4-6级模型和1000名训练患者实现了高和可比的预测准确度.
- 对于1000名患者的6级模型,PTV V95%,直肠V75Gy和膀V65Gy的预测误差是最小的 (例如,PTV V95%的0.01%).
- 剂量预测时间约为1.2秒.
结论:
- 即使有1000名训练患者,预测准确度也没有稳定.
- 在1000名患者中训练的6级DL模型显示了即时规划的潜在充分性.
- 需要进一步的研究来证实这些发现对IP的临床实用性.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
08:34Proton Therapy Delivery and Its Clinical Application in Select Solid Tumor Malignancies
Published on: February 6, 2019
20.3K
