波束的眼睛视图流动地图3D网络超快的VMAT放射治疗规划
Simon Arberet1, Florin C Ghesu2, Riqiang Gao1
1Digital Technology and Innovation, Siemens Healthineers, Princeton, New Jersey, USA.
Medical physics
|February 12, 2025
概括
这项研究引入了一种深度学习方法,以快速生成体积调节弧度疗法 (VMAT) 流动性图,显著加速癌症治疗计划. 该方法确保了准确的剂量传递,验证了其用于更快的VMAT程序的使用.
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:
- 卷度调节弧线疗法 (VMAT) 能够提供精确的辐射,在癌症治疗期间节省健康组织.
- 传统的VMAT规划涉及耗时,代的流动地图和叶子序列的生成.
- 深度学习提供了一个潜在的解决方案,以加快VMAT规划过程.
研究的目的:
- 通过从3D剂量图中快速预测流动性图,加速VMAT治疗规划.
- 开发一个深度学习模型,训练它以考虑机器约束,以实现高效的叶子测序.
- 为了减少VMAT计划生成所需的总体时间.
主要方法:
- 开发了一个3D深度学习网络,通过Eclipse和REQUITE数据集的VMAT计划的损失组合进行训练.
- 输入: 3D 剂量图; 目标: 流动性图. 网络预测为单弧VMAT计划提供180个流动性地图.
- 预处理的输入剂量通过计算光束的视图投影;使用Eclipse生成的2000多个VMAT计划进行缩放的数据集.
主要成果:
- 网络推断时间低于20ms (不包括数据加载/处理).
- 与U-Net相比,拟议的3D网络和增加的数据集大小将流动地图重建改进了约8 dB的PSNR.
- 结果的剂量-体积直方图 (DVHs) 与目标剂量密切匹配,表明计划质量保存.
结论:
- 一种新的深度学习方法可以通过在单个推理中预测所有流动性地图来实现超快的VMAT规划.
- 最小的DVH差异验证了加速VMAT治疗计划的方法.
- 这种方法显著减少了VMAT规划时间,同时保持了治疗准确性.
