基于一致/无偏自动计划的常规肺癌 IMRT 深度学习三维剂量预测
计算机视觉与模式识别
2021-06-08 v1
摘要
深度学习（DL）三维剂量预测近来备受关注。然而，由具有不同专业水平的计划者手动生成的训练数据集，其计划质量的可变性会显著影响最终预测的质量。此外，临床标准的任何改变都需要计划者手动生成一组新的计划来构建新的预测模型。在本工作中，我们转而使用由我们的内部自动计划系统（名为“ECHO”）生成的一致计划来训练 DL 模型。ECHO（加速约束分层优化，expedited constrained hierarchical optimization）通过依次求解大规模约束优化问题来生成一致/无偏计划。如果临床标准发生变化，可以使用 ECHO 离线轻松生成新的训练数据集，且无需或仅需有限的人工干预，使得基于 DL 的预测模型能够轻松适应临床实践的变化。我们使用了 120 例常规肺癌患者（100 例用于训练，20 例用于测试），其射束配置各不相同，并分别使用手动生成的和自动 ECHO 计划训练了我们的 DL 模型。我们评估了不同的输入：（1）CT+（PTV/OAR）轮廓，以及（2）CT+轮廓+射束配置，以及不同的损失函数：（1）MAE（平均绝对误差），以及（2）MAE+DVH（剂量体积直方图）。使用不同的 DVH 指标以及由 AAPM 知识型计划大挑战最近提出的 dose-score 和 DVH-score 对预测质量进行了比较。最佳结果是使用自动 ECHO 计划以及 CT+轮廓+射束作为训练输入、以 MAE+DVH 作为损失函数获得的。
引用
@article{arxiv.2106.03705,
title = {Deep Learning 3D Dose Prediction for Conventional Lung IMRT Using Consistent/Unbiased Automated Plans},
author = {Navdeep Dahiya and Gourav Jhanwar and Anthony Yezzi and Masoud Zarepisheh and Saad Nadeem},
journal= {arXiv preprint arXiv:2106.03705},
year = {2021}
}
备注
16 pages, 4 figures