对具有数据增强和多通道输入的深度学习架构进行比较分析,用于局部区域性乳腺癌放射治疗

科学领域:

• 辐射疗法 辐射疗法
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 深度学习剂量预测模型通常使用复杂的3D U-Nets与广泛的数据增强,从而增加计算需求和环境影响.
• 在放射治疗规划中,对计算效率高且准确的深度学习模型的需求在不断增长.

研究的目的:

• 为了比较2D和3DU-Net模型的性能,用于深度学习对地方区域乳腺癌患者的剂量预测.
• 评估使用较少的计算密集型模型与临床接受的计划相比是否合适.

主要方法:

• 训练了一个2D注意力U-Net,2D高清U-Net和3DU-Net,使用89名乳腺癌患者的数据.
• 多种输入通道 (1或5) 并利用数据增强来评估它们对模型性能的影响.
• 模型结果与临床接受的治疗计划进行了比较.

主要成果:

• 有5个道和增强的3D U-Net实现了76%的计划目标量 (PTV) 目标,接近临床计划 (81%).
• 2D高清U-Net实现了70%的PTV目标,与3D U-Net相比,通过添加道/增幅的最小改进.
• 注意力U-Net表现较差,但通过更多道和增强得到了改善;大多数模型都实现了风险器官目标. 3D模型的训练时间长了约8倍.

结论:

• 一个2D高清U-Net可以在典型的临床数据集中获得与3DU-Net模型可比的结果,用于剂量预测.
• 不那么计算密集的2D模型为放射治疗中的深度学习剂量预测提供了可行和高效的替代方案.
• 注意力U-Net受益于数据复杂度的增加,但没有达到其他评估模型的准确性.