在质子疗法中,深度学习模型用于分数间头部和部的解剖变化

科学领域:

• 医学成像和放射瘤学医学成像和放射瘤学
• 医疗保健中的人工智能
• 计算解剖学的计算解剖学

背景情况:

• 分数间的解剖学变化显著影响头癌患者的放射治疗精度.
• 准确预测这些解剖变化对于适应性放射治疗和强大的治疗计划至关重要.
• 目前用于预测解剖变化的方法往往缺乏实时适应所需的精度.

研究的目的:

• 为了评估一个概率深度学习算法,每日解剖模型 (DAM_HN),用于预测分数间的解剖变化.
• 评估模型在重建患者解剖学和在治疗期间产生现实的解剖学变化方面的表现.
• 探索DAM_HN在增强放射治疗规划和强度评估中的实用性.

主要方法:

• 开发了一种每日解剖模型 (DAM_HN),使用一个变量自编码器架构来近似条件概率分布.
• 在315个计划CT (pCT) 和重复CT (rCT) 图像对上训练了模型,来自93名头部和部患者.
• 在持有测试集上使用DICE分数 (0.83) 和正常化交叉相关性 (0.60) 评估性能.

主要成果:

• DAM_HN获得了0.83的DICE得分和0.60的正常化交叉相关性,这表明重建的准确性很高.
• 产生的解剖学变化,包括腺和脊髓等器官的体积和质量中心变化,与观察到的临床数据密切匹配.
• 该模型成功地复制了已知的解剖学变化,例如中间腺运动,与文献发现保持一致.

结论:

• 概率深度学习算法 (DAM_HN) 有效地产生了头部和部放射治疗期间遇到的现实的解剖变异.
• 该模型显示了强大的优化和基于图书馆的治疗规划应用的巨大潜力.
• DAM_HN提供了一种有价值的工具,可以提高治疗的稳定性和适应性,以应对分数间的解剖变化.