生成用于放射治疗计划设计的帕累托最优剂量分布
医学物理
2019-08-01 v2 最优化与控制
摘要
放射治疗计划设计目前需要计划设计者与治疗计划系统之间，以及计划设计者与医师之间为讨论/会诊而进行多次试错迭代。医师对特定患者的偏好难以量化并精确传达给计划设计者。在本研究中，我们提出了一种实时体积帕累托曲面剂量生成深度学习神经网络，可在医师完成分割后使用，为计划设计者提供一个具体且可量化的终点。基于 70 名前列腺患者，我们首先生成了 84,000 个调强放射治疗计划（每名患者 1,200 个）以采样帕累托曲面，代表了计划靶区（PTV）与危险器官（OAR，包括膀胱、直肠、左股骨、右股骨和 body）之间的各种权衡。我们将数据划分为 10 名测试患者和 60 名训练/验证患者。随后我们训练了一个分层密集连接卷积 U-net（HD U-net），以 PTV 和代表 OAR 掩码与权重的避让图作为输入，预测优化计划。HD U-net 能够准确预测三维帕累托最优剂量分布，平均[均值，最大值]剂量误差为处方剂量的[3.4%，7.7%]（PTV）、[1.6%，5.6%]（膀胱）、[3.7%，4.2%]（直肠）、[3.2%，8.0%]（左股骨）、[2.9%，7.7%]（右股骨）和[0.04%，5.4%]（body）。PTV 剂量覆盖预测也非常接近，误差为 1.3%（D98）和 2.0%（D99）。均匀性也相近，平均相差 0.06。该神经网络可在 1.7 秒内预测剂量。临床上，优化与剂量计算慢得多，需 5–10 分钟。
引用
@article{arxiv.1906.04778,
title = {Generating Pareto optimal dose distributions for radiation therapy treatment planning},
author = {Dan Nguyen and Azar Sadeghnejad Barkousaraie and Chenyang Shen and Xun Jia and Steve Jiang},
journal= {arXiv preprint arXiv:1906.04778},
year = {2019}
}
备注
Accepted by the Medical Image Computing and Computer Assisted Intervention (MICCAI) Conference