一种机器学习方法用于CT中个性化乳腺辐射剂量计:整合放射学和深度神经网络
Eleftherios Tzanis1, John Stratakis1, John Damilakis1
1Department of Medical Physics, School of Medicine, University of Crete, P.O. Box 2208, 71003 Heraklion, Crete, Greece.
European journal of radiology
|June 14, 2025
概括
这项研究开发了一种自动机器学习工作流程,用于CT扫描中准确的患者特异性乳腺辐射剂量测量. 这些模型提供了精确的剂量预测,改善了放射治疗规划和患者安全.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 准确的乳房辐射剂量测量对于放射治疗计划至关重要.
- 目前的剂量测量方法可能耗时且复杂.
- 患者特异性剂量计会考虑个体解剖学变异.
研究的目的:
- 开发基于机器学习的工作流程,用于CT中的患者特定的乳腺辐射剂量测量.
- 为了自动化计算乳房辐射剂量的过程.
- 整合细分和剂量预测模型,以提高准确性.
主要方法:
- 在286个胸部CT扫描中开发并验证了U-Nets用于准确的乳房细分.
- 使用蒙特卡洛模拟来确定基准真相乳房剂量.
- 训练深度神经网络 (DNN) 使用CT参数和放射性特征进行剂量预测.
主要成果:
- 实现了高的乳房细分精度 (迪斯分数0.92,精度/灵敏度>0.90).
- DNN预测乳腺剂量具有较低的平均绝对百分比误差 (4.01%右,4.82%左).
- 预测剂量和实际剂量之间没有显著差异 (p >= 0.07),平均推断时间为30.2秒.
结论:
- 成功开发了一种基于机器学习的自动化工作流程,用于CT中的乳腺辐射剂量测量.
- 综合细分和剂量预测模型为患者特异剂量测量提供了一个有希望的方法.
- 开发的模型和代码是公开的,以促进进一步的研究和应用.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K
