基于深度学习的预测,在前列腺癌放射治疗中的分数间解剖变异
Javad Derougar1, Ahmad Mostaar2,3, Reza Jaferyan1
1Department of Medical Physics and Biomedical Engineering, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
概括
一个深度学习模型准确地预测前列腺放射治疗中的每日解剖学,使用膀体积和治疗分数. 这种针对患者的方法通过估计每天的解剖结构来提高治疗的准确性.
科学领域:
- 医疗成像医学成像
- 放射治疗 物理 物理
- 人工智能在医学中的应用
背景情况:
- 由膀体积变化驱动的前列腺间位移会影响放射治疗的准确性.
- 准确的患者特异性解剖学估计对于有效的前列腺放射治疗至关重要.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于预测每天的兆电压计算机断层扫描 (MVCT) 图像.
- 为了在前列腺放射治疗中使用膀体积和治疗分数进行患者特定的解剖估计.
主要方法:
- 从前列腺癌患者的700个MVCT扫描进行了回顾性分析,这些患者接受了断层治疗.
- 训练一个3D U-Net深度学习模型,从千伏计算断层扫描 (KVCT),膀体积和分数生成合成MVCT图像.
- 使用图像相似度指标 (SSIM,NCC,Dice) 和轮精度 (Dice,MSD) 评估模型性能.
主要成果:
- DL模型实现了高SSIM (0.76-0.80) 和NCC (0.84-0.89) 的精确MVCT预测.
- 预测解剖学允许精确的膀 (Dice 0.83) 和前列腺 (Dice 0.92) 轮.
- 膀体积变化与膀轮准确度指标有中等的相关性.
结论:
- 深度学习框架显示了预测解剖学和使用非侵入性输入生成轮的前景.
- 这种针对患者的方法估计了基于规划KVCT和膀体积的每日治疗解剖学.
- 这种方法适用于螺旋式放射疗法系统,每日MVCT是标准实践.
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
8.9K
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
1.3K
