使用深度网络-A前列腺研究自动选择计划
Philippe Y Chatigny1,2, Cédric Bélanger1,2, Éric Poulin2
1Département de physique, de génie physique et d'optique, et Centre de recherche sur le cancer, Université Laval, Québec, Quebec, Canada.
Medical physics
|December 10, 2024
概括
在高剂量率 (HDR) 支臂疗法中,多标准优化 (MCO) 现在使用深度学习 (DL) 来自动选择计划. 这种人工智能方法快速排名成千上万的计划,匹配专家的选择,提高临床效率.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的人工智能
背景情况:
- 高剂量率 (HDR) 支臂疗法规划受益于多标准优化 (MCO) 算法.
- MCO快速生成众多帕雷托最佳计划,将重点转移到从数千个中选择最好的计划.
研究的目的:
- 引入新的视觉类型标准,超越传统的剂量体积直方图 (DVH) 度量,用于计划评估.
- 开发和实施深度学习 (DL) 框架,用于自动选择最佳的HDR支臂疗法计划.
主要方法:
- 使用新的视觉类型标准 (膀,直肠,尿道,前列腺冷点) 和标准DVH指标训练DL算法.
- 对于DL模型的输入包括3D剂量和解剖面具图像,用于计划排名和选择.
- 该算法对835名前列腺癌患者进行了训练,并对20名先前由临床医学物理学家评估的患者进行了验证.
主要成果:
- DL网络在10秒内对2000个计划进行排名,比专家手动选择快得多.
- 四个DL网络接受了培训,提供了目标覆盖和风险器官 (OAR) 节省之间的权衡.
- 最好的DL网络的计划选择与多个标准的专家选择相比没有统计差异.
结论:
- 基于DL的方法是灵活的,允许定制的标准和计划质量的权衡.
- 这种快速而强大的方法为MCO规划增加了最小的时间,显示了临床采用的巨大潜力.
