跨技术转移学习,以基于有限的样本大小来预测放射治疗规划的剂量分配
Xiaohong Wang1, Ke Wang1, Jialin Ding1
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
转移学习准确地预测了有限数据的放射治疗剂量分配. 这种使用有限样本 (五到七个案例) 的跨技术方法取得了临床上可接受的结果,与标准模型可比.
科学领域:
- 医学物理 医学物理
- 辐射疗法 辐射疗法
- 机器学习 机器学习
背景情况:
- 精确的放射治疗剂量预测至关重要,但由于有限的培训数据和不断发展的技术,这是具有挑战性的.
- 强度调节放射疗法 (IMRT) 和体积调节弧线疗法 (VMAT) 是先进的放射疗法技术.
研究的目的:
- 开发一种跨技术转移学习策略,以预测使用最小训练样本的放射治疗剂量分配.
- 与独立模型和标准模型相比,评估这一策略的有效性.
主要方法:
- 使用深度学习网络 (Res-U Net) 来进行剂量预测.
- 模型在IMRT数据上进行了预训练,并使用有限的样本 (5例和7例) 在VMAT数据上进行了微调.
- 使用剂量-体积直方图 (DVH),平均绝对误差 (MAE) 和Dice相似系数 (DSC) 来评估性能.
主要成果:
- 使用五个训练样本的交叉技术模型显示了临床上可接受的性能,与标准模型相比 (MAE偏差:0.15%,DSC偏差:0.11%-0.72%).
- 在7个训练样本中,表现有所改善 (MAE偏差:0.05%,DSC偏差:0.02%-0.40%).
- 在有限的样本上训练的独立模型的表现明显更差.
结论:
- 跨技术转移学习使新放射治疗技术的剂量分布能够准确可靠地预测,即使样本大小有限.
- 这种方法解决了在放射治疗规划中数据稀缺的挑战.
更多相关视频
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
05:18Author Spotlight: Improving Radiation Therapy Access with Radiation Planning Assistant
Published on: October 6, 2023
相关概念视频
Imaging Studies II: Positron Emission Tomography and Scintigraphy
Fundamental Principles of PET
Dosage Regimens: Designs and Approaches
Dosage Regimens: Partial Pharmacokinetic Parameters
Dosage Regimen Designs: Nomograms and Tabulations
Drug Accumulation During Multiple Dosing: Repetitive IV Injections
Determination of Multiple Dosing Parameters: Loading and Maintenance Doses
