一种基于细分减少的自动化患者特异性光束角度优化技术,用于深度学习,用于早期乳腺癌的自动规划
Michele Zeverino1, Gian Guyer1, Wendy Jeanneret-Sozzi2
1Institute of Radiation Physics, Lausanne University Hospital and University of Lausanne, Lausanne, Switzerland.
Journal of applied clinical medical physics
|October 15, 2025
概括
这项研究引入了一种自动化方法,用于优化早期乳腺癌的放射疗法光束角度,通过使用深度学习自动规划来改善风险器官节约和治疗计划效率. 部分弧型VMAT (PA-VMAT) 在节省器官和模仿剂量分配方面表现出卓越的性能.
科学领域:
- 辐射瘤学 辐射瘤学
- 医学物理 医学物理
- 医疗保健中的人工智能
背景情况:
- 深度学习 (DL) 自动规划提高了放射治疗的效率,但往往使用了低于最佳的预定义光束角度.
- 自动光束角度优化对于乳腺癌早期放射治疗至关重要,以平衡目标覆盖率和风险器官 (OAR) 节省.
研究的目的:
- 介绍一种自动化细分减小技术,用于优化基于DL的自动规划中的光束角度,用于早期乳腺癌放射治疗.
- 通过优化体积调制弧线疗法 (VMAT) 的弧度跨度和强度调制辐射疗法 (IMRT) 的光束配置来改善剂量分配和减少OAR暴露.
主要方法:
- 生成部分弧型VMAT (PA-VMAT),复杂IMRT (C-IMRT) 和简单IMRT (S-IMRT) 计划,然后使用分段面积和监控单元 (PAMU) 的产品值进行细分减少.
- 将这些策略与20名早期乳腺癌患者的标准连续部分弧度VMAT (CPA-VMAT) 进行了比较,这些患者接受了深呼吸呼吸 (DIBH) 治疗.
- 使用剂量计标准,符合性指数和剂量模拟指数 (DMI) 评估计划质量.
主要成果:
- 与CPA-VMAT相比,PA-VMAT实现了优异的OAR节省 (减少心脏,左肺和右肺平均剂量分别为27%,11%和50%) 和更好的剂量模拟.
- C-IMRT提供了最好的目标覆盖率,但随着监测单位的增加;S-IMRT显示了低于最佳剂量的一致性.
- 通过优化光束角度而无需人工干预,自动细分减少显著提高了计划效率.
结论:
- 自动化细分减少是可行的DL自动规划在早期乳腺癌放射治疗.
- PA-VMAT是一个首选的策略,平衡计划质量,OAR节省和交付效率.
- 拟议的方法提高了治疗计划的灵活性,并适合临床整合.
