使用现成的细分网络进行放射治疗剂量预测:使用GammaPod规划的可行性研究
Qingying Wang1, Mingli Chen1, Mahdieh Kazemimoghadam1
1Department of Radiation Oncology, The University of Texas Southwestern Medical Center, Dallas, Texas, USA.
Medical physics
|February 28, 2025
概括
本研究介绍了Seg2Dose,这是一种使用细分网络进行放射治疗剂量预测的高效,通用策略. 它简化了规划,提高了速度和质量,而不需要大量的定制.
科学领域:
- 医学物理 医学物理
- 辐射瘤学 辐射瘤学
- 医疗保健中的人工智能
背景情况:
- 精确的放射治疗规划对于患者的治疗结果至关重要,但由于耗时的手工过程而受到阻碍.
- 传统方法难以进行计划权衡比较,包括剂量设置和风险器官 (OAR) 约束.
- 深层卷积神经网络 (CNN) 是有前途的,但通常需要针对疾病的特定架构修改.
研究的目的:
- 提出Seg2Dose,一种使用最先进的细分网络进行放射治疗剂量预测的通用和高效策略.
- 开发一个方便的,现成的剂量预测工具,尽量减少编码和定制.
- 通过简化剂量预测,提高放射治疗规划速度和质量.
主要方法:
- Seg2Dose采用适配器来创建剂量水平图和输入图像,分段网络 (nnU-Net) 来预测剂量水平,以及用于连续剂量分配的平滑器.
- 该系统在乳腺癌的GammaPod治疗计划上进行了培训和验证.
- 使用Dice相似系数 (DSCs),平均绝对百分比误差 (MAPE),剂量-体积直方图 (DVH) 度量和马传递率 (GPR) 评估性能,与布3D (C3D) 模型相比较.
主要成果:
- 对于剂量水平预测,Seg2Dose实现了高的DSC (0.94为2%间隔,0.93为5%间隔).
- 对于目标和大多数OAR,MAPE在6%以内,皮肤的价值更高.
- 虽然C3D显示出更好的GPR,但Seg2Dose在目标区域和临床计划一致性中显示出可比或更好的准确性.
结论:
- 利用细分网络为放射治疗剂量预测提供了一种可行和高效的方法.
- Seg2Dose提供了一个现成的工具,可以减少用于剂量预测的编码工作.
- 这种方法可以加快治疗规划,并有助于确定最佳的放射治疗技术和剂量计权衡.
