对于肝癌放射治疗剂量分布预测的光束场引导扩散模型

科学领域:

• 医学物理 医学物理
• 辐射疗法 辐射疗法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度学习用于放射治疗剂量预测,但肝癌的瘤变异性存在挑战.
• 准确的剂量预测对于有效的放射治疗治疗计划至关重要.

研究的目的:

• 使用扩散模型开发用于肝癌放射治疗的新且精确的剂量预测方法.
• 提高自动放射治疗计划的准确性和临床有效性.

主要方法:

• 提出了一个光束场 (BF) 引导扩散模型 (BeamDiff),具有前向 (噪声加值) 和反向 (噪声估计和产生) 过程.
• 使用多分支混合编码器与多条件聚合模块 (MAM) 针对患者特定特征 (BF,临床结构).
• 集成的多头注意力 (MHA) 来解决二维切片的限制,以及一个不对称的融合模块 (AFM) 来保存解码器中的细节.

主要成果:

• 在临床肝癌数据集上,平均剂量得分为1.27 Gy,DVH得分为0.28 Gy.
• 报告的平均绝对误差 (MAE) 为1.97 Gy (PTV),2.21 Gy (肝脏),1.14 Gy (脊髓) 和1.16 Gy (胃).
• 证明预测的结果紧密符合临床要求,表明高临床有效性.

结论:

• 开发了一种针对肝癌放射治疗剂量预测的量身定制方法 (BeamDiff).
• 该模型在预测准确性和临床有效性方面显示了竞争性表现.
• 该方法具有显著的潜力,可以提高放射治疗工作流程的效率.