使用CNN-GRU-Dense模型在放射治疗期间实时跟踪肝脏瘤的可行性研究

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:

• 实时瘤跟踪对于精确的放射治疗提供至关重要.
• 商业系统使用外部-内部相关模型 (ECM),结合X射线成像和外部运动监控.
• 这种混合方法提高了跟踪精度和治疗效率.

研究的目的:

• 模拟深度学习模型 (CNN-GRU-Dense) 在放射治疗期间实时跟踪肝脏瘤,而不需要持续更新.
• 评估模型的准确性与已建立的方法相比,例如CyberKnife系统的混合相关模型NG-RC和增强线性模型.

主要方法:

• 在CNN-GRU-Dense模型中,用于瘤位置估计,利用卷积,门循环单位 (GRU) 和密集层.
• 使用RandomSearch进行了超参数优化,使用Adam优化器和Mean Squared Error损失函数.
• 该模型在26分钟的患者特定运动数据上进行了训练,并在57个CyberKnife系统运动跟踪数据集上进行了评估.

主要成果:

• 与CyberKnife (1.42 ± 0.44 mm),NG-RC (1.23 ± 0.75 mm) 和增强线性模型 (0.71 ± 0.40 mm) 相比,CNN-GRU-Dense模型实现了更高的3D辐射估计精度 (0.55 ± 0.27 mm).
• 该模型显示了统计学上显著的改善 (Wilcoxon签名排名p < 0.05).

结论:

• CNN-GRU-Dense模型的性能优于现有的方法,包括在CyberKnife,Radixact和标准线性加速器中使用的方法.
• 一个关键的优势是该模型在治疗期间的稳定性,消除了更新的需要,并减少了患者的辐射暴露.