DoseGNN：通过图神经网络改进自适应剂量-体积直方图预测中深度学习模型的性能
机器学习
2024-02-05 v1
摘要
剂量-体积直方图（DVH）预测是放射治疗中的基础工作，有助于治疗计划设计、剂量评估、计划比较等。它有助于提高实施精确有效放射治疗的能力，同时根据需要控制对健康组织的潜在毒性，以降低并发症风险。本文扩展了近期在 AAPM（AAPM 第 65 届年会暨展览会）上披露的研究成果，并包含了必要的技术细节。其目标是设计高效的深度学习模型，用于配备高性能 CBCT 系统的通用放射治疗平台上的 DVH 预测，其中输入的 CT 图像和待预测的目标剂量图像可能具有不同的来源、间距和尺寸。在新型放射治疗平台上评估了 DVH 预测任务中广泛采用的深度学习模型，结果表明图神经网络（GNNs）是构建即插即用框架的理想架构，可在自适应设置中提高基础深度学习模型的预测性能。
引用
@article{arxiv.2402.01076,
title = {DoseGNN: Improving the Performance of Deep Learning Models in Adaptive Dose-Volume Histogram Prediction through Graph Neural Networks},
author = {Zehao Dong and Yixin Chen and Tianyu Zhao},
journal= {arXiv preprint arXiv:2402.01076},
year = {2024}
}