基于深度学习的异质性纠正对单个脑瘤的均质剂量分配在玛刀放射性外科手术中

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 医疗保健中的人工智能

背景情况:

• 在放射治疗中,准确的剂量输送对于有效的癌症治疗计划至关重要.
• 像Gamma Knife放射性外科手术 (GKRS) 这样的立体治疗通常使用简化的模型,这些模型可能无法完全解释组织异质性,特别是在骨附近.
• 这可能导致剂量分配中的不准确性,并可能影响治疗结果.

研究的目的:

• 开发一种新的方法来生成合成剂量计划,将GKRS中的异质性效应纳入其中.
• 在不需要额外的计算机断层扫描 (CT) 扫描的情况下实现这一目标,从而简化治疗规划过程.
• 为耗时,传统的剂量计算方法提供可行的替代方案.

主要方法:

• 使用磁共振成像 (MRI) 和CT图像从100个回顾和22个潜在的GKRS患者.
• 训练了一个有条件的生成对抗网络 (cGAN),将基于TMR10的剂量分布转化为合成卷积 (sConv) 剂量.
• 采用TMR10和基于卷积的剂量分布作为cGAN的输入和目标数据.

主要成果:

• 生成的sConv剂量与实际的卷积 (Conv) 剂量有很强的定性和定量一致性.
• 与TMR10剂量相比,sConv剂量在剂量分布上表现出更好的一致性和更好的异位剂量体积相似性 (γ通过率:sConv 92.43%与TMR10 74.18%相比).
• 该模型准确地反映了骨诱导的散射和衰减效应,验证了其用于异质性校正的实用性.

结论:

• 深度学习方法为GKRS中异质性校正剂量规划提供了可行的解决方案.
• 这种方法避免了需要额外的CT扫描,并减少了计算时间,使其适合常规的临床工作流程.
• 对不同患者群体的进一步验证将提高其在放射治疗中的临床适用性和影响.