用于放射治疗剂量预测的具有多尺度精修的三重约束 Transformer
图像与视频处理
2024-02-08 v1 计算机视觉与模式识别
摘要
放射治疗是治疗癌症的主要手段，其目标是对计划靶区 (PTV) 施加足够的辐射剂量，同时最大限度地减少对危及器官 (OARs) 的剂量危害。卷积神经网络 (CNNs) 通过预测剂量图实现了放射治疗计划的自动化制定。然而，当前基于 CNN 的方法忽略了剂量图中显著的剂量差异，即 PTV 内部剂量值高而 PTV 外部剂量值低，导致预测结果欠佳。在本文中，我们提出了一种具有多尺度精修的三重约束 Transformer (TCtrans) 来预测高质量的剂量分布。具体而言，设计了一种新颖的 PTV 导向的三重约束，利用 PTV 的显式几何特征来精修 PTV 内部和外部的剂量特征表示。此外，我们引入了多尺度精修 (MSR) 模块，以在具有多个尺度的不同解码层中有效实现三重约束。另外，设计了 Transformer 编码器以学习重要的全局剂量学知识。在临床宫颈癌数据集上的实验证明了我们方法的优越性。
引用
@article{arxiv.2402.04566,
title = {Triplet-constraint Transformer with Multi-scale Refinement for Dose Prediction in Radiotherapy},
author = {Lu Wen and Qihun Zhang and Zhenghao Feng and Yuanyuan Xu and Xiao Chen and Jiliu Zhou and Yan Wang},
journal= {arXiv preprint arXiv:2402.04566},
year = {2024}
}
备注
accepted by 2024 IEEE ISBI