在宫癌中,使用深度学习进行剂量预测和剂量环优化的可交付计划的自动放射治疗计划

科学领域:

• 辐射瘤学 辐射瘤学
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 深度学习 (DL) 对自动辐射疗法 (RT) 规划具有前景.
• 将DL预测的剂量分配整合到临床可交付计划的主流治疗计划系统 (TPS) 仍然是一个挑战.

研究的目的:

• 评估自动化VMAT和IMRT规划方法的可行性和准确性.
• 这种方法将DL剂量预测与剂量环优化相结合,用于普遍可交付的计划.

主要方法:

• 一个3D融合残留Unet (F-ResUnet) DL网络预测了440名妇科癌症 (GC) 患者的剂量分配.
• 预测剂量被分为剂量环,以便在两个主流的TPS中进行自动优化.
• 通过患者特定质量保证 (PSQA) 确认了计划的可交付性.

主要成果:

• DL剂量预测在临床上是可以接受的,超过95%的目标覆盖率.
• 自动化计划的目标覆盖率 (超过96.5%) 与临床计划的覆盖率相当.
• 观察到危险器官 (OAR) 剂量的显著降低,高马传递率 (例如,在3%/3mm的VMAT中99.1%).

结论:

• 联合DL剂量预测和剂量环优化方法是可行的.
• 这种方法成功地为GC患者生成了普遍可交付的VMAT和IMRT计划.
• 该方法为将DL集成到临床RT工作流程中提供了一个可行的解决方案.