关于影响深度学习的因素,基于头部和部瘤的剂量预测

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 人工智能的人工智能

背景情况:

• 深度学习模型越来越多地用于放射治疗剂量预测.
• 优化这些模型对于准确的治疗计划至关重要.

研究的目的:

• 调查影响深度学习基于头癌剂量预测的关键因素.
• 为了评估模型的准确性,强度和效率.

主要方法:

• 系统分析输入分辨率,输入类型,损失函数和模型架构.
• 评估使用公共和内部数据集的剂量得分和剂量体积图谱 (DVH) 得分.
• 对Poisson和对抗噪声的模型稳定性的评估.

主要成果:

• 高分辨率输入使准确度提高了8.6%-13.5%.
• 结合CT,规划目标体积和风险器官输入,精度提高了57.4%-86.8%.
• 斯威尼特尔 (SwinUNETR) 显示出对抗敌对噪声的优越稳定性.

结论:

• 模型优化,特别是输入数据的选择和分辨率,对于准确的剂量预测至关重要.
• 研究结果为在放射治疗中开发可靠的深度学习模型提供了指导.