用3D多头U-Net深度学习架构对头癌患者进行自适应性放射治疗剂量预测

科学领域:

• 医学物理 医学物理
• 辐射瘤学 辐射瘤学
• 人工智能在医学中的应用

背景情况:

• 在线适应性辐射疗法 (ART) 通过适应日常解剖变化来个性化癌症治疗.
• 深度学习 (DL) 模型加速了放射治疗的规划,但往往忽视了医生定义的临床目标.
• 准确的剂量预测对于有效的ART至关重要,特别是在头癌中.

研究的目的:

• 引入一种新的DL架构,即多头U-Net (MHU-Net),以改善ART中的剂量预测.
• 从预治疗计划中明确纳入医生的意图到DL模型中.
• 为了提高个性化的适应性头癌治疗剂量分配的准确性.

主要方法:

• 开发了MHU-Net,一个双头U-Net架构,集成预处理和自适应会话数据.
• 主要头处理适应轮和签名距离地图.
• 二级头集成了预处理轮,签名距离地图和剂量分布.
• 使用43名头癌患者的数据集,将MHU-Net的性能与标准U-Net架构进行了比较.

主要成果:

• 与U-Net相比,MHU-Net减少了178% (最大剂量) 和1.22% (平均剂量) 的风险器官剂量预测错误.
• 与U-Net相比,MHU-Net实现了较低的规划目标量剂量误差 (3.54%最大,平均1.07%) 和U-Net (5.36%最大,平均2.76%;P <0.05).
• 该模型在剂量预测方面表现出更好的准确性,更好地与临床基础真理保持一致.

结论:

• 在ART中,MHU-Net有效地整合了治疗前和适应性数据,以便在ART中基于DL的优异剂量预测.
• 这种方法通过更好地反映医生的意图和治疗目标,提高了ART规划中的个性化.
• 这些发现支持DL在适应性放射治疗中的应用,以改善患者护理.