基于深度强化学习的 Gamma Knife 放射外科自动逆向治疗计划
医学物理
2022-10-12 v1
摘要
目的：已为 Gamma Knife（GK）放射外科开发若干逆向计划算法，通过求解通常由多目标构成的优化问题来确定大量计划参数。这些目标间的优先级需反复调整，以为每位患者获得临床良优计划。本研究旨在通过开发一种基于深度强化学习（DRL）的方法来建模人类计划员的调整行为，实现自动且智能的优先级调节。方法：我们使用深度卷积神经网络构建优先级调节策略网络。其输入为由本机构用于 GK 计划评估的计划指标组成的向量。该网络可基于观测到的中间计划质量决定采取何种调节动作。我们使用端到端 DRL 框架训练网络以逼近最优动作值函数。设计了一个评分函数以衡量计划质量。结果：本研究选取前庭神经鞘瘤作为测试对象。训练、验证与测试病例数分别为 5、5 与 16。对于这三个数据集，初始优先级下的平均计划评分为 3.63 1.34、3.83 0.86 与 4.20 0.78，而经人类专家计划员手动优先级调节后可提升至 5.28 0.23、4.97 0.44 与 5.22 0.26。我们的网络分别取得了 5.42 0.11、5.10 0.42、5.28 0.20 的竞争性结果。结论：我们的网络能生成与人工计划员手动优先级调节生成的计划相当或略优的 GK 计划。该网络有望整合入临床工作流以提升 GK 计划效率。
引用
@article{arxiv.2109.06813,
title = {Automatic Inverse Treatment Planning for Gamma Knife Radiosurgery via Deep Reinforcement Learning},
author = {Yingzi Liu and Chenyang Shen and Tonghe Wang and Jiahan Zhang and Xiaofeng Yang and Tian Liu and Shannon Kahn and Hui-Kuo Shu and Zhen Tian},
journal= {arXiv preprint arXiv:2109.06813},
year = {2022}
}