Medical Physics· 2018Q1
Derin öğrenme tekniği ile tahmin edilen üç boyutlu doz dağılımına dayalı otomatik tedavi planlaması
Automatic treatment planning based on three‐dimensional dose distribution predicted from deep learning technique
- 365atıf
- Q1SCImago
- 2018yıl
Kısa özet
Bir derin öğrenme modeli, IMRT radyoterapisi için klinik olarak kabul edilebilir 3B doz dağılımlarını doğru bir şekilde tahmin ederek, çoğu metrikte manuel planlardan istatistiksel olarak anlamlı farkı olmayan otomatik tedavi planı üretimini sağlamaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Bir derin öğrenme modeli, hasta BT görüntüleri, organ konturları ve reçete dozlarına dayanarak IMRT radyoterapisi için 3B doz dağılımlarını tahmin eder.
- Model, 50 test vakasında klinik olarak kabul edilebilir doz tahminleri elde etti ve çoğu DVH indeksinde gerçek klinik planlardan istatistiksel olarak anlamlı bir fark göstermedi.
- Tahmin edilen doz dağılımlarını kullanan otomatik bir plan üretim algoritması, tahmin edilen planlara göre kabul edilebilir düzeyde minimal farklılıklar gösteren planlar üretti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Purpose To develop an automated treatment planning strategy for external beam intensity‐modulated radiation therapy ( IMRT ), including a deep learning‐based three‐dimensional (3D) dose prediction and a dose distribution‐based plan generation algorithm. Methods and Materials A residual neural network‐based deep learning model is trained to predict a dose distribution based on patient‐specific geometry and prescription dose. A total of 270 head‐and‐neck cancer cases were enrolled in this study, including 195 cases in the training dataset, 25 cases in the validation dataset, and 50 cases in the testing dataset. All patients were treated with IMRT with a variety of different prescription patterns. The model input consists of CT images and contours delineating the organs at risk ( OAR s) and planning target volumes ( PTV s). The algorithm output is trained to predict the dose distribution on the CT image slices. The obtained prediction model is used to predict dose distributions for new patients. Then, an optimization objective function based on these predicted dose distributions is created for automatic plan generation. Results Our results demonstrate that the deep learning method can predict clinically acceptable dose distributions. There is no statistically significant difference between prediction and real clinical plan for all clinically relevant dose–volume histogram ( DVH ) indices, except brainstem, right and left lens. However, the predicted plans were still clinically acceptable. The results of plan generation show no statistically significant differences between the automatic generated plan and the predicted plan except PTV 70.4 , but the difference is only 0.5% which is still clinically acceptable. Conclusion This study developed a new automated radiotherapy treatment planning system based on 3D dose prediction and 3D dose distribution‐based optimization. It is a promising approach for realizing automated treatment planning in the future.
Yazarların özeti; kaynağından alınmıştır. Medical Physics, 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Radyasyon
RadiationPhysics and Astronomy