基于神经网络学习方法的放疗计划三维剂量分布预测

目的研究利用神经网络建立患者几何解剖结构特性与对应放疗计划三维剂量分布的关联模型,用以新患者的计划剂量学特性预测。方法收集并应用25例固定13野临床前列腺癌IMRT/SBRT计划,处方剂量为50 Gy,以体素为研究对象,提取器官体积、射线角度、器官位置关系等信息,采用神经网络构建剂量预测模型。随机选取20例用于训练,5例用于验证,以验证预测方法的可行性与有效性。结果实验表明,模型训练误差较小,验证样本剂量差异小,预测结果准确。模型训练误差较小,点对点平均剂量差异不高于0.0919±3.6726 Gy,DVH差异不超过1.7%。5例验证样本,剂量差异为0.1634±10.5246 Gy,百分剂量差异在2.5%以内,DVH差异在3%以内。三维剂量分布显示剂量差异较小,预测剂量分布合理。模型对膀胱和直肠预测性能表现较好,股骨头次之。结论本文使用神经网络学习方法成功建立了同肿瘤类型患者几何解剖结构特性和对应计划三维剂量分布之间的关联,不仅可以为计划提供质量标准,还为实现自动计划控制和计划设计奠定基础。

基于多任务学习方法的单模多器官三维剂量分布预测研究

目的构建可同时预测多个器官三维剂量分布的统一模型,自动学习多器官间几何解剖结构对其沉积剂量的影响。方法收集同一肿瘤类型临床放疗计划,以多个危及器官的各体素为研究对象,其沉积剂量为剂量学特征,采用可学习不同任务间关系的正则化多任务学习方法,建立器官间的任务关系矩阵,构建器官间几何结构与剂量分布的关联。实验以15例鼻咽癌病例的IMRT计划所涉及的危及器官脊髓、脑干和左右腮腺为研究对象建立单模多器官关联,计算其体素预测剂量与临床计划剂量的相对百分误差,研究方法的可行性。结果10例鼻咽癌IMRT计划用于训练,5例用于测试。测试结果显示单模多器官方法预测精度较高、数据量需求少,其中脊髓、脑干、左右腮腺的平均体素相对处方剂量百分误差分别为(2.01±0.02)%、(2.65±0.02)%、(2.45±0.02)%和(2.55±0.02)%。结论提出一种可在同一模型中预测多个器官剂量的单模多器官模型,该模型在提高预测精度的同时避免多次的单器官建模,为实现智能计划设计奠定良好基础。

基于全卷积网络U-Net宫颈癌近距离治疗三维剂量分布预测研究

目的基于全卷积网络U-Net预测宫颈癌近距离治疗(BT)感兴趣区(ROI)三维剂量分布,并评估其预测精度。方法首先选取100例宫颈癌腔内结合组织间插植病例作为整个研究数据集,并将其划分为训练集(72例)、验证集(8例)、测试集(20例);然后利用U-Net建立模型,将是否包含宫腔管及插针作为区分因素训练两个模型;最后对20例测试集病例进行预测,并进行对比分析。模型的性能通过ΔD90%、ΔD_(2cm)^(3)以及平均绝对离差共同评估。结果包含与未包宫腔管与插植针的模型相比,直肠的ΔD_(2cm)^(3)上升了(16.83±1.82)cGy(P<0.05),其余ROI的ΔD90%或ΔD_(2cm)^(3)均相近(均P>0.05);高危靶区、直肠、乙状结肠、小肠、膀胱平均绝对离差分别上升了(11.96±3.78)、(11.43±0.54)、(24.08±1.65)、(17.04±7.17)、(9.52±4.35)cGy(均P<0.05);中危靶区的下降了(120.85±29.78)cGy(P<0.05);6个ROI的平均绝对离差的平均值下降了(7.8±53)cGy(P<0.05),更接近实际计划。结论利用全卷积网络U-Net可以实现宫颈癌患者BT的三维剂量分布预测;结合宫腔管与插植针作为输入参数,比单一使用ROI结构作为输入能得到更准确的预测结果。

基于危及器官预测剂量分布与gEUD混合目标的调强放疗计划优化

目的提出一种可充分利用危及器官预测剂量分布信息,同时最大限度地改善输出计划质量的调强放疗计划优化方法。方法构建以危及器官预测剂量分布作为优化引导的新型通量分布优化模型,考虑到预测的不确定性,模型中同时耦合了危及器官的等效均匀剂量目标(gEUD)以在预测引导的基础上进一步改善最优化求解空间。为验证优化方法的有效性,实验选取8例宫颈癌调强放射治疗(IMRT)计划,利用该方法对其重新优化后比较所得计划与原始计划间在剂量分布和特定剂量学指征项上的质量差异。结果该优化方法具有可行解且收敛快速,所得优化计划与原始计划相比,靶区内热点减少,其剂量均匀性提高;危及器官受量也均有改善,直肠V30和V45分别减小了(6.60±3.53)%和(17.03±7.44)%,差异有统计学意义(t=-4.954、-6.055,P<0.05),膀胱V30和V45分别减小(14.74±5.61)%和(14.99±4.53)%,差异有统计学意义(t=-6.945、-8.759,P<0.05)。结论所提出的基于预测剂量分布和gEUD混合目标的调强放疗计划优化方法可有效地利用预测剂量分布,并保障输出计划的优质性。