一项关于基于深度学习的计划质量预测的初步研究,用于大脑转移的玛刀放射手术

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:

• 玛刀 (GK) 计划质量受损伤特征的影响,使得患者之间难以直接比较.
• 患者特异性几何学显著影响治疗结果和计划评估.

研究的目的:

• 开发一种基于深度学习的方法,从患者几何学中预测可实现的,临床上可接受的GK计划质量.
• 为了提高脑转移的计划质量指标预测的准确性和稳定性.

主要方法:

• 一个层次密集连接的U-Net (HD-U-Net) 被训练来预测3D剂量分布和计划质量指标 (覆盖率,选择性,GI,CI50).
• 嵌入子相似系数损失与平均平方误差 (MSE) 损失,以提高预测准确性.
• 使用十倍交叉验证对来自175名患者的463个大脑转移 (BM) 进行验证.

主要成果:

• 与基线HD-U-Net.net相比,拟的方法在所有评估的计划质量指标中显示出较小的平均绝对误差.
• 观察到小转移的显著改善,主要是渐变指数 (GI) 和一致性指数,大病变的处方剂量为50% (CI50).
• 统计学意义 (p < 0.05) 通过对对的威尔科克森签名等级试验得到证实.

结论:

• 深度学习方法在预测GK计划质量的总体趋势和每个阅读的准确性方面表现优于基线.
• 该方法具有作为限制设置的预规划工具和质量控制的后规划工具的潜力.
• 这项工作为开发用于GK治疗的深度强化学习的自动化计划系统提供了基础.