nnDoseNet:直观和灵活的深度学习框架,用于训练和评估放射治疗剂量预测模型
Ho-Hsin Chang1, Joseph Harms2, Rex A Cardan3
1Department of Biomedical Engineering, University of Alabama at Birmingham, AL, USA; Department of Radiation Oncology, University of Alabama at Birmingham, AL, USA.
Computers in biology and medicine
|October 28, 2025
概括
nnDoseNet使用深度学习自动化放射治疗剂量预测,简化了劳动密集的过程. 这种AI框架为开发和比较先进的剂量预测方法提供了灵活和高性能的解决方案.
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:
- 放射治疗 (RT) 剂量优化是一个复杂的手动过程,需要大量的时间和专业知识.
- 实现临床上可接受的RT计划通常涉及代调整.
研究的目的:
- 引入nnDoseNet,这是一个用于自动化放射治疗剂量预测的深度学习框架.
- 为了简化和加快RT剂量优化过程.
主要方法:
- nnDoseNet适应了nnU-Net细分架构用于剂量回归.
- 使用专门的损失函数,包括剂量-体积组图 (DVH) 术语.
- 结合多道输入 (CT,目标,有风险的器官,体罩) 并支持临床评估指标.
主要成果:
- 在头癌的OpenKBP挑战数据集上取得了竞争性表现.
- 与前列腺癌患者的临床剂量分配有很好的一致性.
- 最好的配置在测试组件上产生了2.526的剂量得分和1.55的DVH得分.
结论:
- nnDoseNet通过自动化预处理,培训和评估简化了剂量预测模型的开发和测试.
- 该框架是灵活的,可以适应不同的临床场景和硬件.
- 旨在加速人工智能在放射治疗剂量预测中的整合,作为多机构研究的基准.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
3.1K
