面向集成自动轮廓绘制与基于体素的剂量预测的多任务学习在放射治疗中的应用
医学物理
2024-12-02 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的自动轮廓绘制和治疗计划已被证明可提高放射治疗的效率和准确性。然而，传统的放射治疗治疗计划流程中，自动轮廓绘制和治疗计划是作为独立任务进行的。此外，在深度学习（DL）中，轮廓绘制和剂量预测任务是独立完成的。在本研究中，我们应用了多任务学习（MTL）方法，以 seamless 集成自动轮廓绘制和基于体素的剂量预测任务，因为 MTL 可以利用两个任务之间的共同信息，并且能够增加自动任务的效率。我们使用两个数据集开发了我们的 MTL 框架：内部前列腺癌数据集和公开的头颈癌数据集 OpenKBP。与传统的 DL 轮廓绘制和治疗计划任务相比，我们的所提出的方法使用 MTL 在前列腺和头颈部位的剂量体积直方图指标平均绝对差值分别提高了 19.82% 和 16.33%。我们的 MTL 模型在自动轮廓绘制和剂量预测任务中表现出增强的剂量预测性能，同时保持或有时甚至提高了轮廓绘制的准确性。相对于 dice score coefficients 为前列腺部位的 0.818 和头颈部位的 0.674 的基线自动轮廓绘制模型，我们的 MTL 方法分别获得了 0.824 和 0.716 的平均得分。我们的研究突显了使用 MTL 实现自动轮廓绘制和计划以支持放射治疗高效且准确的自动化治疗计划开发的潜力。
引用
@article{arxiv.2411.18767,
title = {Multi-Task Learning for Integrated Automated Contouring and Voxel-Based Dose Prediction in Radiotherapy},
author = {Sangwook Kim and Aly Khalifa and Thomas G. Purdie and Chris McIntosh},
journal= {arXiv preprint arXiv:2411.18767},
year = {2024}
}