通过深度学习模型的适应,在没有额外的培训的情况下,增强自动化的右侧早期乳腺癌治疗
Michele Zeverino1, Silvia Fabiano2, Wendy Jeanneret-Sozzi3
1Institute of Radiation Physics, Lausanne University Hospital and University of Lausanne, Lausanne, Switzerland.
Medical physics
|February 19, 2025
概括
这项研究提出了一种新的方法,用于调整深度学习模型,用于右侧乳腺癌辐射规划,大大减少了广泛再培训的需要. 调整后的模型实现了与手工计划相当的质量,简化了治疗规划.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 自动规划的深度学习 (DL) 模型需要广泛的数据策划和培训,这需要大量的时间.
- 需要DL模型可以实现高性能,而无需对新数据集进行广泛的再培训.
- 转移学习通过微调预先训练的模型提供了一个潜在的解决方案.
研究的目的:
- 通过调整最初在左侧乳房 (LSB) 患者上训练的DL模型,开发一种自动化的右侧乳房 (RSB) 辐射规划技术.
- 通过使用治疗计划系统 (TPS) 特定工具,消除了对额外培训的需求.
- 简化创建高质量的RSB治疗计划.
主要方法:
- 通过交换对称结构和调整模型设置,将预先训练的LSB DL模型适应RSB规划.
- 在两个阶段调整模型设置:预测剂量 (PD) 和后处理PD (ppPD),以及剂量模拟 (MD).
- 根据20个手册计划验证了适应的RSB模型,并将其应用于10名临床患者.
主要成果:
- 最初的PD需要对风险器官 (心脏,肺部,冠状动脉) 的剂量进行显著的校正.
- 后处理和模拟设置被重新制定,最终得到了一个最终的RSB模型,其中MD与手动计划没有显著差异.
- 调整后的模型实现了与手动计划相似的剂量分配,改善了右肺节约和类似的左肺最大剂量.
结论:
- 一个最初为LSB癌症训练的DL模型可以有效地适应RSB癌症患者.
- 适应过程涉及结构交换和模型设置调整,而不需要额外的培训.
- 这种特定于TPS的技术有可能转移到其他TPS平台,提供一种通用化的方法.
