通过深度学习进行剂量预测,以提高肺放射治疗的治疗计划,包括同时集成的增强技术

科学领域:

• 放射治疗物理与工程 放射治疗物理与工程
• 医学中的人工智能
• 医学成像和图像分析.

背景情况:

• 深度学习模型在预测3D放射治疗剂量分布方面表现有前途.
• 复杂计划中的剂量预测需要验证,例如具有同时集成提升 (SIB) 的计划.

研究的目的:

• 评估使用深度学习来预测肺癌患者体积调制弧线疗法 (VMAT) 剂量分布的可行性和益处,包括SIB技术.
• 探索深度学习在改善放射治疗治疗计划方面的潜力.

主要方法:

• 在对肺癌患者的回顾性VMAT计划上训练和测试了一个3D U-Net深度学习模型.
• 该模型利用CT图像,轮数据和处方剂量来预测3D剂量分布.
• 展望评估涉及与人工智能剂量预测指南和无人工智能剂量预测指南生成的计划进行比较.

主要成果:

• 深度学习模型显示了预测和实际剂量分布之间的良好一致性 (平均差异-0.49 ± 0.54 Gy).
• 人工智能引导的重新规划确定了脊髓和食道的潜在改善,节省了一组子集的计划.
• 展望分析显示,人工智能剂量预测与传统规划相比,持续改善了正常组织的节省.

结论:

• 一个深度学习模型可以可靠地预测各种处方剂量的高质量的VMAT肺计划.
• 剂量预测工具有效地识别了次优治疗计划,表明其在自动化规划和评估中的实用性.