CPFTransGAN:基于交叉感知融合变压器的生成对抗网络,用于在放射治疗中预测头癌剂量

科学领域:

• 医学物理 医学物理
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 放射治疗对于头癌至关重要,需要精确的剂量输送到瘤中,同时保留健康的组织.
• 准确的定量剂量预测对于推进精确放射治疗至关重要.
• 目前的方法在优化剂量分配和节省器官方面面临挑战.

研究的目的:

• 开发一个先进的生成对抗网络,以改善头癌的辐射剂量预测.
• 提高预测辐射剂量分布的准确性,用于规划目标体积 (PTV) 和风险器官 (OAR).
• 整合深度学习技术,以实现更智能,更精确的放射治疗规划.

主要方法:

• 提出了一个新的生成对抗网络,CPFTrans-GAN,利用交叉感知融合变压器 (CPF变压器) 模块.
• 开发了一种基于CPF变压器的发电机 (CPFTransGenerator),具有四级编码解码结构.
• 实施了适应性减肥用于歧视者训练和多尺度交叉窗口编码网络,以提高预测准确度.

主要成果:

• 与最先进的方法相比,CPFTrans-GAN在量化剂量预测方面表现优越.
• 该方法在预测公共和临床头癌数据集中的剂量分布方面取得了很高的准确性.
• 集成的CPF变压器模块有效地改善了CNN和变压器功能的融合.

结论:

• 拟议的CPFTrans-GAN在头癌放射治疗的辐射剂量预测方面取得了重大进展.
• 这种方法促进了更精确和个性化的治疗规划,可能改善患者的治疗结果.
• 这项研究强调了先进的深度学习架构在彻底改变放射治疗中的潜力.