基于形变驱动的Seq2Seq纵向肿瘤与危险器官放疗预测

目的：放疗在治疗的纵向肿瘤与危险器官（OAR）预测方面提出了独特的挑战和临床需求。挑战包括肿瘤炎症/水肿以及放疗引起的器官几何变化，而临床需求则要求输入/输出序列时间点的灵活性，以滚动方式更新预测，并且所有预测需基于治疗前影像信息，用于自适应放疗中的疗效和毒性评估。方法：为应对上述挑战并满足临床需求，我们提出了一种基于卷积长短期记忆（ConvLSTM）的新型3D序列到序列模型，该模型利用各时间点与参考治疗前/计划CT之间的形变矢量场（DVF）序列，预测未来的解剖形变以及大体肿瘤体积和关键OAR的变化。通过在训练数据子集上以DICE系数和互信息度量为目标进行超参数优化，创建了高质量的DVF训练数据。我们在两个放疗数据集上验证了模型：一个公开可用的头颈数据集（28例患者，具有手动勾画的治疗前、中、后CT），以及一个内部非小细胞肺癌数据集（63例患者，具有手动勾画的计划CT和6次每周CBCT）。结果：DVF表示与跳跃连接的使用克服了ConvLSTM以传统图像表示预测时的模糊问题。肺癌GTV在第4、5、6周的DICE均值与标准差分别为0.83$\pm$0.09、0.82$\pm$0.08和0.81$\pm$0.10，治疗后同侧与对侧腮腺分别为0.81$\pm$0.06和0.85$\pm$0.02。