基于深度学习的前列腺癌放射治疗剂量预测：模型对不同治疗计划实践的适配
医学物理
2020-07-01 v1 机器学习
图像与视频处理
摘要
本研究旨在考察已开发的用于前列腺癌容积旋转调强放疗（VMAT）的深度学习（DL）剂量预测模型的泛化能力，并将该模型适配于三种不同的内部治疗计划风格和一种外部机构计划风格。我们使用先前接受 VMAT 前列腺癌治疗的 108 例患者的计划数据构建源模型。对于迁移学习，我们选取同一机构以三种不同风格计划的病例以及另一机构以一种风格计划的病例，将源模型适配为四个目标模型。我们将源模型与目标模型预测的剂量分布同临床剂量预测进行比较，并使用 10% 至 100% 等剂量体积的 Dice 相似系数（DSC）以及计划靶区和危险器官的剂量体积直方图（DVH）参数，量化目标模型相对源模型的预测质量提升。源模型能准确预测以相同源风格生成的计划剂量分布，但对三种内部和一种外部目标风格表现欠佳，其内部和外部风格的平均 DSC 分别介于 0.81–0.94 和 0.82–0.91。通过迁移学习，目标模型预测的平均 DSC 分别提升至内部的 0.88–0.95 和外部的 0.92–0.96。目标模型预测显著将 DVH 参数预测精度提升至 1.6% 以内。我们展示了基于 DL 的剂量预测的模型泛化性，以及使用迁移学习解决该问题的可行性。每风格 14–29 例，我们成功将源模型适配为多种不同实践风格。这表明了基于 DL 的剂量预测在临床广泛实施的现实途径。
引用
@article{arxiv.2006.16481,
title = {Dose Prediction with Deep Learning for Prostate Cancer Radiation Therapy: Model Adaptation to Different Treatment Planning Practices},
author = {Roya Norouzi Kandalan and Dan Nguyen and Nima Hassan Rezaeian and Ana M. Barragan-Montero and Sebastiaan Breedveld and Kamesh Namuduri and Steve Jiang and Mu-Han Lin},
journal= {arXiv preprint arXiv:2006.16481},
year = {2020}
}