通过一种具有球形卷积的新型深度神经网络在单个异中心多重目标 (SIMT) 放射外科手术中估计大脑总剂量
Zhenyu Yang1,2,3, Mercedeh Khazaieli2, Eugene Vaios2
1Medical Physics Graduate Program, Duke Kunshan University, Kunshan, Jiangsu, China.
Medical physics
|March 18, 2025
概括
一个新的深度学习模型准确地预测了单个异中心多目标立体性放射性手术 (SIMT SRS) 计划中的正常大脑辐射剂量. 这一进步增强了治疗质量控制和脑辐射疗法的一致性.
科学领域:
- 医学物理 医学物理
- 人工智能在医学中的应用
- 放射治疗规划 放射治疗规划
背景情况:
- 准确预测正常的大脑剂量参数对于单个隔离中心多目标 (SIMT) 立体辐射手术 (SRS) 的质量控制至关重要.
- 对正常脑组织的可靠剂量估计是评估治疗计划质量和改善临床实践的一致性的关键指标.
- 这项研究解决了在SIMT SRS规划中预测正常大脑剂量的改进方法的需求.
研究的目的:
- 开发和评估一种新的深度学习模型,用于在SIMT SRS治疗计划中预测正常的大脑剂量.
- 使用球形坐标定义方法来表示3D大脑数据.
- 评估模型在预测关键剂量计参数方面的准确性.
主要方法:
- 一个球形卷积神经网络 (SCNN) 是使用球形卷积在3D大脑数据的2D球形表示上开发的.
- 该模型在106个SIMT病例上进行了训练,以预测大脑V50%,V60%和V66.7% (相当于V10Gy和V12Gy).
- 使用确定系数 (R2),平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 来评估性能.
主要成果:
- 该SCNN在预测正常大脑剂量学值方面表现出高准确性.
- 对于V50%,R2得分为0.92±0.05,对于V60%则为0.94±0.10,对于V66.7%则为0.93±0.09.
- 平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 表示可靠的预测性能.
结论:
- 开发的深度学习模型准确地预测正常的大脑剂量,提高SIMT SRS治疗计划的一致性.
- 这种方法为治疗规划者提供了一种有价值的工具,以提高计划质量.
- 该方法的数据尺寸缩小功能可以应用于其他与大脑相关的分析.
