基于双分支特征提取网络的肺癌剂量分布预测
Haifeng Zhang1,2, Yongxin Liu1,3, Yanjun Yu1
1Radiation Oncology Department, the Seventh Medical Center of Chinese PLA General Hospital, Beijing, China.
Medical physics
|March 25, 2025
概括
一个新的双分支神经网络,CTNet,准确地预测了接受VMAT的非小细胞肺癌 (NSCLC) 患者的辐射剂量分布. 这种人工智能方法通过整合本地和全球特征提取来改进放射治疗计划,以准确预测剂量.
科学领域:
- 医学物理 医学物理
- 辐射瘤学中的人工智能
- 放射治疗规划 放射治疗规划
背景情况:
- 神经网络通过预测剂量分配来增强放射治疗计划的自动化.
- 单个神经网络对于提取全面的临床特征存在局限性.
- 准确的剂量预测对于优化体积调制弧线疗法 (VMAT) 至关重要.
研究的目的:
- 开发一个双分支特征提取神经网络,以改善VMAT中的剂量分布预测.
- 为协助非小细胞肺癌 (NSCLC) 患者的放射治疗计划.
主要方法:
- 拟议的CTNet是一个双分支网络,将卷积和变压器网络结合起来,用于本地和全球特征提取.
- 实现了功能融合模块,以整合异构的功能.
- 利用加权平均平方误差和多尺度结构损失,用于培训144个NSCLC VMAT计划.
主要成果:
- 在规划目标体积 (PTV) 中,CTNet 实现了 voxel 级平均绝对误差 (MAE) 1.14 Gy.
- D95的误差小于1 Gy,这表明它的精度很高.
- 与其他四个网络相比,CTNet在PTV和风险器官 (OAR) 中的剂量误差最小,表现优越.
结论:
- CTNet有效地提取全球 (例如相对PTV-OAR位置) 和本地 (例如形状,大小) 的特征.
- 该网络能够准确地预测接受VMAT的NSCLC患者的剂量分配.
- 这种双分支的方法提高了放射治疗计划的精度和自动化.
