TransAnaNet:基于变压器的解剖学变化预测网络用于头癌,放射治疗和部癌症
Meixu Chen1, Kai Wang1,2, Michael Dohopolski1
1Medical Artificial Intelligence and Automation (MAIA) Lab, Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, Texas, USA.
Medical physics
|January 31, 2025
概括
这项研究表明,视觉变压器 (ViT) 模型在放射治疗期间有效预测头癌 (HNC) 患者的解剖变化. 这一进步有助于通过改善治疗个性化和资源配置来帮助适应性放射治疗 (ART).
科学领域:
- 医疗成像医学成像
- 辐射疗法 辐射疗法
- 人工智能的人工智能
背景情况:
- 适应性放射治疗 (ART) 对头癌 (HNC) 患者至关重要,但由于治疗期间的解剖学变化而面临挑战.
- 预测这些解剖变化对于优化ART效益和资源管理至关重要.
- 视觉转换器 (ViT) 提供了分析医疗图像中复杂模式的高级功能,与传统的卷积神经网络 (CNN) 不同.
研究的目的:
- 评估基于视觉变压器 (ViT) 的神经网络的可行性,以预测HNC患者的放射治疗诱导的解剖变化.
主要方法:
- 一个基于UNet风格的Swin-Transformer的ViT模型是使用121名HNC患者的CT,剂量和CBCT数据开发的.
- 该模型根据初始治疗数据 (CBCT01) 预测了变形向量场和第21部分 (CBCT21) 的解剖学.
- 使用图像和体积相似度指标评估性能,并与CNN和传统ViT模型进行比较.
主要成果:
- 拟议的ViT模型与其他模型相比,与实际的CBCT21实现了优越的图像相似性.
- 关键指标包括0.009的平均平方误差 (MSE),20.266的峰值信号噪声比 (PSNR) 和0.933.33的结构相似度指数 (SSIM).
- 对于身体 (0.972),原发性瘤体积 (GTVp) (0.792) 和结节体积 (GTVn) (0.821) 的面具,观察到高子系数.
结论:
- 基于ViT的模型显示,在HNC放射治疗期间准确预测解剖变化的显著前景.
- 这种预测能力可以支持适应性放射治疗 (ART) 的临床决策.
