10.3760/cma.j.cn112271-20230321-00088
基于深度学习的乳腺癌保乳术后调强放疗剂量分布预测
目的:研究基于深度学习的方法预测乳腺癌保乳术后调强放疗(IMRT)剂量分布,并评估其预测精度。方法:回顾性分析2018年1月至2023年3月在上海国际医学中心接受IMRT的110例左侧乳腺癌保乳术后患者的调强放疗数据,随机固定选择80例作为训练集,随机固定10例作为验证集,剩余20例作为测试集。首先将患者的计算机体层成像(CT)图像、感兴趣区、体素与靶区距离和对应的剂量分布四通道特征作为输入数据,然后使用U-net网络进行训练得到预测模型,利用该模型对测试集进行剂量预测,验证体素与靶区距离特征在剂量预测中的影响,并将剂量预测结果与实际手动计划剂量进行比较。结果:加入体素与靶区距离特征的模型使预测精度更高,测试集中20例患者的剂量评分和剂量体积直方图(DVH)评分分别为2.10±0.18和2.28±0.08,与手动计划剂量分布更加接近(
t=2.52、2.40,
P<0.05)。靶区和危及器官(OAR)的剂量预测结果与手动计划剂量的偏差在4%以内,健侧乳腺平均剂量增加了13 cGy,均在临床可接受范围内。除PTV
60的
D2、
D98(
Di为
i%的PTV体积接受的剂量)、
Dmean(平均剂量)和患侧肺的
V5(
Vi为接受
i Gy剂量的OAR体积百分比)、
Dmean差异有统计学意义外(
t=3.74、2.91、2.99、3.47、2.29,
P<0.05),其他差异无统计学意义(
P>0.05)。
结论:基于深度学习的方法可以精准预测乳腺癌保乳术后调强放疗剂量分布,并通过实验证明加入体素与靶区距离特征可以有效提升预测精度,有助于物理师提高计划设计的优质性和一致性。
深度学习、卷积神经网络、剂量预测、调强放疗
43
2024-01-30(万方平台首次上网日期,不代表论文的发表时间)
共5页
779-783