基于光束掩膜与滑动窗口辅助的深度学习方法实现笔形束扫描质子治疗的准确高效剂量预测
医学物理
2023-05-31 v1
摘要
目的：开发一种基于深度学习（DL）的、高精度且复杂度均衡的笔形束扫描质子治疗（PBSPT）剂量预测流程，以支持在线自适应质子治疗的临床决策及后续重新计划。方法：本研究纳入本机构既往治疗的103例前列腺癌患者和83例肺癌患者的PBSPT计划，每例均包含CT、结构集以及由内部开发的蒙特卡洛剂量引擎计算的计划剂量。在消融研究中，我们设计了对应以下三种方法的三个实验：1）实验1，传统的感兴趣区域（ROI）方法；2）实验2，光束掩膜（由质子束光线追踪生成）方法，用于改善质子剂量预测；3）实验3，滑动窗口方法，使模型聚焦于局部细节以进一步改善质子剂量预测。采用全连接3D-Unet作为主干网络。以剂量体积直方图（DVH）指标、三维Gamma通过率，以及预测剂量与真实剂量之间等剂量线所包围结构的Dice系数作为评价指标。记录每次质子剂量预测的计算时间以评估方法效率。结果：与传统ROI方法相比，光束掩膜方法改善了靶区和危及器官（OAR）的DVH指标一致性，滑动窗口方法进一步改善了DVH指标一致性。对于靶区、OAR和BODY（靶区与OAR之外）的三维Gamma通过率，光束掩膜方法可提高这些区域的通过率，滑动窗口方法进一步提高了通过率。Dice系数也观察到类似趋势。事实上，该趋势在相对较低处方等剂量线时尤为显著。所有测试病例的剂量预测均在0.25秒内完成。
引用
@article{arxiv.2305.18572,
title = {Beam mask and sliding window-facilitated deep learning-based accurate and efficient dose prediction for pencil beam scanning proton therapy},
author = {Lian Zhang and Jason M. Holmes and Zhengliang Liu and Sujay A. Vora and Terence T. Sio and Carlos E. Vargas and Nathan Y. Yu and Sameer R. Keole and Steven E. Schild and Martin Bues and Sheng Li and Tianming Liu and Jiajian Shen and William W. Wong and Wei Liu},
journal= {arXiv preprint arXiv:2305.18572},
year = {2023}
}