一个高效的3D卷积神经网络用于CT图像的癌症放射治疗剂量预测
Lam Thanh Hien1, Pham Trung Hieu2, Do Nang Toan2
1Faculty of Information Technology, Lac Hong University, Huynh Van Nghe, Bien Hoa 76120, Vietnam.
Diagnostics (Basel, Switzerland)
|January 25, 2025
概括
这项研究引入了一个深度学习模型来预测癌症的放射治疗剂量,旨在提高治疗计划的效率和有效性. 人工智能模型取得了强的表现,可能有助于医生治疗癌症.
科学领域:
- 医学物理 医学物理
- 在瘤学中使用人工智能
- 放射治疗治疗计划 放射治疗治疗计划
背景情况:
- 辐射疗法是癌症治疗的关键方法,但需要大量的手动计划.
- 精确的剂量分配在放射治疗中至关重要,但也是具有挑战性的.
- 人工智能为癌症治疗质量提供了潜在的改善.
研究的目的:
- 开发一种高性能深度学习模型,用于预测放射治疗剂量.
- 创建用户友好的软件来操纵和利用人工智能模型.
- 提高癌症放射治疗计划的效率和有效性.
主要方法:
- 使用了具有U-Net架构的定制3D卷积神经网络.
- 修正线性单位 (ReLU) 功能确保了非负的剂量预测.
- 在OpenKBP数据集的训练中,使用了基于剂量-体积直方形的损失函数和共因回火调度器.
主要成果:
- 该模型在测试数据集上获得了1.444 Gy的DVH得分,超过了以前的模型.
- 使用开发的软件可视化预测剂量图,以方便临床应用.
- 人工智能模型在预测放射治疗剂量方面表现强.
结论:
- 开发的深度学习模型显示了优化放射治疗剂量预测的重大前景.
- 附带的软件有助于实际应用,帮助临床医生规划治疗.
- 这种人工智能驱动的方法有可能减少规划时间,改善瘤学治疗结果.
