基于深度学习的头颈部放射治疗计划自动化、个性化剂量预测
摘要：用基于深度学习的剂量预测来评估头颈部的计划质量并识别次优计划。使用RapidPlan知识基础计划创建了245个VMAT头颈部计划，经由一个头颈部放疗肿瘤医生的监督下选择了112个高质量计划的子集。我们使用3折交叉验证在90个计划上训练了一个3D Dense Dilated U-Net神经网络模型来预测三维剂量分布。模型的输入包括CT图像、目标处方和目标与危及器官的轮廓。模型的性能在其余的22个测试计划上进行了评估。然后我们测试了剂量预测模型在计划质量自动审查中的应用。在14个临床计划上进行了剂量预测，将预测的OAR剂量与临床剂量进行比较，使用2Gy剂量差异或3\%剂量-体积阈值来标记存在次优正常组织保护的OAR。OAR标记结果与3名头颈部放疗肿瘤医生手工标记结果进行比较。预测的剂量分布与KBP计划的质量相当。目标的预测和KBP规划的D1\%、D95\%和D99\%之间的差异在-2.53\%(SD=1.34\%)、-0.42\%(SD=1.27\%)和-0.12\%(SD=1.97\%)之间，OAR的平均和最大剂量在-0.33Gy(SD=1.40Gy)和-0.96Gy(SD=2.08Gy)之间。在计划质量评估研究中，放疗肿瘤医生将47个OAR标记为可能需要改善的计划。存在较高的医生间变异性；83\%的医生标记的OAR只有一个医生标记过。比较剂量预测模型将63个OAR标记为次优计划，其中包括47个医生标记的OAR中的30个。深度学习可以预测高质量的剂量分布，可用于自动化、个体化评估头颈部计划质量的比较剂量分布。
作者：Mary P. Gronberg (1 and 2), Beth M. Beadle (3), Adam S. Garden (4), Heath Skinner (5), Skylar Gay (1 and 2), Tucker Netherton (1 and 2), Wenhua Cao (1), Carlos E. Cardenas (6), Christine Chung (1), David Fuentes (2 and 7), Clifton D. Fuller (2 and 4), Rebecca M. Howell (1 and 2), Anuja Jhingran (4), Tze Yee Lim (1 and 2), Barbara Marquez (1 and 2), Raymond Mumme (1), Adenike M. Olanrewaju (1), Christine B. Peterson (2 and 8), Ivan Vazquez (1), Thomas J. Whitaker (1 and 2), Zachary Wooten (8 and 9), Ming Yang (1 and 2), Laurence E. Court (1 and 2) ((1) Department of Radiation Physics, The University of Texas MD Anderson Cancer Center, (2) The University of Texas MD Anderson Cancer Center UTHealth Houston Graduate School of Biomedical Sciences, (3) Department of Radiation Oncology, Stanford University, (4) Department of Radiation Oncology, The University of Texas MD Anderson Cancer Center, (5) Department of Radiation Oncology, University of Pittsburgh, (6) Department of Radiation Oncology, The University of Alabama at Birmingham, (7) Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, (8) Department of Biostatistics, The University of Texas MD Anderson Cancer Center, (9) Department of Statistics, Rice University)
论文ID：2209.14277
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-04-26