基于矩损失函数的领域知识驱动三维剂量预测
摘要
剂量体积直方图（DVH）指标是临床上广泛接受的评估标准。然而，由于这些指标的非凸性和不可微性，将其纳入深度学习剂量预测模型具有挑战性。我们提出了一种新颖的基于矩的损失函数，用于预测具有挑战性的常规肺部调强放射治疗（IMRT）计划的三维剂量分布。该基于矩的损失函数是凸且可微的，并且可以在任何深度学习框架中轻松纳入 DVH 指标而无需计算开销。这些矩也可以定制以反映三维剂量预测中的临床优先级。例如，使用高阶矩可对串行结构的高剂量区域实现更好的预测。我们使用包含 360 例常规肺部患者、2Gy 30 次分割的大型数据集，利用临床治疗计划训练深度学习（DL）模型。我们训练了一个类 UNet 的 CNN 架构，以计算机断层扫描（CT）、计划靶区（PTV）和危险器官轮廓（OAR）作为输入，推断相应的体素级三维剂量分布。我们评估了三种不同的损失函数：（1）平均绝对误差（MAE）损失，（2）MAE + DVH 损失，以及（3）提出的 MAE + 矩损失。使用不同的 DVH 指标以及美国医学物理师协会（AAPM）知识型计划大挑战近期引入的剂量分数和 DVH 分数对预测质量进行比较。采用（MAE + 矩）损失函数的模型比 MAE 损失模型显著提高了 DVH 分数（11%，p0.01），且计算成本相近，从而表现更优。它还比采用（MAE+DVH）训练的模型显著降低了计算成本（48%）并提高了 DVH 分数（8%，p0.01）。代码、模型、docker 容器和 Google Colab 项目可在我们的 DoseRTX GitHub（https://github.com/nadeemlab/DoseRTX）上获取。
引用
@article{arxiv.2207.03414,
title = {Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function},
author = {Gourav Jhanwar and Navdeep Dahiya and Parmida Ghahremani and Masoud Zarepisheh and Saad Nadeem},
journal= {arXiv preprint arXiv:2207.03414},
year = {2022}
}
备注
Physics in Medicine & Biology 2022. **First two authors contributed equally. Last two authors are co-senior authors. arXiv admin note: substantial text overlap with arXiv:2106.03705