一种用于前列腺癌IMRT照射野方向优化的快速深度学习方法
医学物理
2019-12-23 v2
摘要
我们提出了一种基于深度神经网络(DNN)的快速照射野方向选择方法，能够制定出与最先进的列生成方法相当的放疗计划。我们模型的创新之处在于其监督学习结构、DNN架构，以及能够从解剖特征中学习以预测剂量学上合适的照射野方向，而无需使用候选射束的剂量学信息——这是一个耗时且计算昂贵的流程。这可以节省数小时的计算时间。一个监督DNN被训练以模仿列生成算法，该算法基于KKT最优性条件计算射束适应度值来迭代选择照射野方向。数据集包含70名前列腺癌患者。DNN训练超过400个epoch，每个epoch含2500步，使用Adam优化器和6折交叉验证技术。6折中训练、验证和测试损失函数的平均值与标准差至多分别为1.44%。由列生成和DNN生成的计划之间PTV剂量覆盖的差异为0.2%。危险器官接收到的平均剂量差异在1%至6%之间：膀胱的平均差异最小，其次是直肠、左股骨头和右股骨头。身体接收到的剂量平均差异为0.1%。在所提方法的训练阶段，模型基于患者的解剖特征学习合适的照射野方向，并省略了对所有可能候选射束的剂量影响矩阵的密集时间计算。求解通量图优化(Fluence Map Optimization)以获得最终治疗计划，仅需对所选射束计算剂量影响矩阵。所提出的DNN是一种快速的照射野方向选择方法，能在数秒内选择照射野方向，因此适用于临床常规。
引用
@article{arxiv.1905.00523,
title = {A Fast Deep Learning Approach for Beam Orientation Optimization for Prostate Cancer IMRT Treatments},
author = {Azar Sadeghnejad Barkousaraie and Olalekan Ogunmolu and Steve Jiang and Dan Nguyen},
journal= {arXiv preprint arXiv:1905.00523},
year = {2019}
}
备注
28 pages, 9 figures