一个深度学习框架,用于预测MR导向前列腺放射治疗的适应性策略类型

科学领域:

• 辐射疗法 辐射疗法
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 导向MR的适应性放射治疗 (MRgART) 目前依赖于主观审查来选择适应性策略.
• 现有的机器学习 (ML) 模型用于预测自适应策略 (ATP与ATS) 可能由于可变形图像注册 (DIR) 而耗时.

研究的目的:

• 开发一种深度学习 (DL) 模型,以使用图像数据快速准确地选择适应性放射治疗策略.
• 通过自动化自适应战略预测来提高MRgART的效率.

主要方法:

• 提出了一个多阶段的深度学习网络,包括基于DL的图像注册 (DLIR) 网络和基于DL的自适应策略预测 (DLSP) 模型.
• 该DLSP模型利用DLIR网络的编码器部分,并通过24名前列腺癌患者的数据进行训练.
• 使用12名患者的独立测试组来评估模型的性能.

主要成果:

• DLSP模型实现了高性能,曲线下面积 (AUC) 为0.861,精度 (ACC) 为0.867,灵敏度 (SEN) 为0.898,特异性 (SPC) 为0.727.
• DL预测过程大约需要2.5分钟,与现有的ML方法相比,效率增加了5倍.

结论:

• 开发的基于DL的模型提供了一种快速而准确的方法,用于MRgART中的自适应策略选择.
• 这一进步显著提高了MRgART工作流的整体效率.