在头部和部放射治疗中使用3D打印固定装置的细分方法和剂量测量评估

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能在医学中的应用

背景情况:

• 治疗计划系统 (TPS) 往往忽略了固定装置,可能导致不准确的辐射剂量估计.
• 本研究涉及3D打印的头托和面罩式固定装置 (MFIF) 在头部和部VMAT的剂量计影响.
• 深度学习为这些设备的自动细分提供了一种新的方法.

研究的目的:

• 开发和验证一个深度学习模型 (Mask2Former) 用于对3D打印的头托和MFIF进行细分.
• 评估这些固定装置对头部和部VMAT的目标和正常组织剂量的剂量影响.
• 用模拟计划和实验膜测量来比较带有和没有固定装置的剂量分布.

主要方法:

• Mask2前模特在CT图像上受过训练,用于分割3D打印的头托和MFIF.
• 为VMAT规划生成四个车身结构套件 (没有设备,有MFIF,有头托,有两种)
• 剂量-体积直方图 (DVH) 数据和不同规划场景中的剂量分布的比较.
• 使用Gafchromic EBT3膜测量进行患者特定验证.

主要成果:

• Mask2Former实现了高细分精度 (头托的Dice指数> 0.95,MFIF的> 0.98).
• 包括设备减少了目标V100% (组合设备高达9.15%),但增加了皮肤剂量 (31.6%).
• 片测量验证了包括设备的计划更好地匹配实际剂量分布 (92.14%的马传递率).

结论:

• Mask2Former展示了固定装置自动细分的潜力,增强了个性化的放射治疗.
• 固定装置减弱了对目标的剂量,但由于积累效应,增加了皮肤剂量.
• 需要对各种数据集进行进一步的模型优化和验证,以应对细分挑战.