基于三维生成对抗网络的知识驱动自动计划
医学物理
2018-12-24 v1
摘要
我们开发了一个知识驱动自动计划（KBAP）流程，使用深度神经网络架构预测三维剂量以生成治疗方案。我们的流程包括一个生成对抗网络（GAN）从 CT 图像预测剂量，随后两个优化模型分别用于学习目标函数权重和生成基于通量的计划。我们研究了三种不同的 GAN 模型。前两个模型独立预测每个轴向切片的剂量。一个将剂量预测为 RGB 颜色图，另一个直接预测剂量的标量值。第三个 GAN 模型一次性预测完整三维 CT 图像的标量剂量，考虑了相邻 CT 切片之间的相关性。对于所有模型，我们还研究了在优化前对 GAN 预测进行缩放的影响。每个 GAN 模型在 130 个既往执行的口咽治疗计划上训练。性能在 87 个样本外计划上测试，通过使用临床计划标准评估并与相应的临床计划比较。表现最佳的 KBAP 计划由三维 GAN 生成，其预测剂量值并进行缩放。这些计划满足了全部临床标准的近 77%，而临床计划满足了全部标准的 64%。此外，这些 KBAP 计划满足与临床计划相同标准的频率比使用 RGB 剂量预测的二维 GAN 模型高 84%。三维 GAN 预测也与其他方法相比更接近于最终计划，因为它更好地捕捉了相邻轴向切片之间的纵向剂量关系。可投照计划更好地捕捉了与物理可投照性相关的隐式约束。总体而言，我们的最终计划在满足临床标准方面具有更优性能，并相比先前最先进水平生成了更真实的预测。
引用
@article{arxiv.1812.09309,
title = {Knowledge-based automated planning with three-dimensional generative adversarial networks},
author = {Aaron Babier and Rafid Mahmood and Andrea L. McNiven and Adam Diamant and Timothy C. Y. Chan},
journal= {arXiv preprint arXiv:1812.09309},
year = {2018}
}
备注
15 pages, submitted to Medical Physics