头颈癌放疗计划剂量分布的预测方法:基于深度学习的算法

目的研究一种基于深度学习的算法,实现头颈癌放疗计划剂量分布的自动预测。方法本文提出一种射线束剂量肢解学习(BDDL)方法,以级联网络作为基本方法,通过肿瘤分割掩膜PTV和预定义的射线束角度等信息,拟合射线束的传送方式(“射线束分割掩膜”)作为卷积神经网络的输入,将预测全局空间剂量分布肢解为多个沿着射线束方向的子剂量分布图。此过程可将一个困难任务肢解为多个简单的子任务,使模型更关注于局部细节特征的提取。通过射线束投票机制将多个子剂量分布融合为一个全局空间剂量分布。另外,引入感兴趣区域ROIs内剂量分布特征和剂量边界图作为网络学习的约束条件,使网络更加关注ROIs和剂量边界区域特征的提取。利用OpenKBP-2020挑战公开的头颈癌放疗计划数据集,获得BDDL方法在剂量分布预测的精确性,并进行消融实验分析。结果本研究提出的方法在量化指标Dose score和DVH score分别取得2.166和1.178(P<0.05),预测精度优于目前最先进方法。与挑战第1名方法相比,本文方法使Dose score和DVH score分别提升26.3%和30%。消融实验结果显示BDDL方法各组成部分的有效性。结论本研究提出的BDDL方法利用了射线束的传送方式和ROIs内剂量分布等先验信息建立剂量预测模型,相比于现有方法是可解释的和可靠的,有望将其应用于临床放疗中。