基于TP-GAN的低剂量率前列腺近距离治疗的快速计划设计
计算机视觉与模式识别
2022-05-10 v1 医学物理
摘要
低剂量率前列腺近距离治疗（LDR-PB）中的治疗计划旨在产生可植入放射性粒子的排布，使其向前列腺递送最低处方剂量，同时将对健康组织的毒性降至最低。可能存在多种满足该剂量学标准的粒子排布，但并非全部从医生角度看都被视为可植入的“可接受”方案。这导致计划带有医生/中心的偏好、计划风格与专业知识的主观性。我们提出一种方法，旨在通过训练模型从大量成功的回顾性LDR-PB数据（961名患者）中学习，并生成模仿高质量人工方案的一致计划，从而减少这种变异性。我们的模型基于条件生成对抗网络（GAN），其采用一种新颖的损失函数对粒子的空间约束对模型进行惩罚。基于模拟退火（SA）算法的可选优化器可在必要时（由治疗医生决定）进一步微调计划。在150个测试病例上进行的性能分析显示，结果与人工历史方案相当。平均而言，我们的方法对临床靶体积实现100%处方剂量的覆盖率为98.9%，而人工方案为99.4%。此外，使用我们的模型，计划时间显著缩短至平均含SA为2.5分钟/计划，不含SA则少于3秒。相比之下，我们中心的人工计划约为20分钟/计划。
引用
@article{arxiv.2103.09996,
title = {Rapid treatment planning for low-dose-rate prostate brachytherapy with TP-GAN},
author = {Tajwar Abrar Aleef and Ingrid T. Spadinger and Michael D. Peacock and Septimiu E. Salcudean and S. Sara Mahdavi},
journal= {arXiv preprint arXiv:2103.09996},
year = {2022}
}
备注
10 pages, 2 figures, 2 tables