Deep learning-based dose prediction for stereotactic prostate cancer radiotherapy with CyberKnife.

چکیده اصلی

BACKGROUND: Deep learning-based (DL) approaches have gained interest in predicting dose distributions in radiotherapy of prostate cancer treated with volumetric modulated arc therapy and intensity-modulated radiation therapy. Meanwhile, research on predicting dose distributions in high-precision stereotactic radiotherapy treatments has remained relatively underrepresented. PURPOSE: We aimed to expand the previous studies by developing a DL-based framework for predicting dose distributions for robotic, stereotactic prostate cancer radiotherapy. METHODS: We harnessed a U-Net-based convolutional neural network for predicting clinically achievable dose distributions based on CT images, delineated structures, and distance information from the planning target volume. A dataset of 462 patients treated with CyberKnife (Accuray Inc.) utilizing an Iris collimator was divided into training (70%, n = 323), validation (10%, n = 46), and test (20%, n = 93) sets. RESULTS: In the independent test set, the mean absolute error between the mean doses of predictions and clinical plans was 0.63 Gy for the rectum and 1.04 Gy for the bladder. CONCLUSIONS: The proposed U-Net-based model demonstrated the ability to learn and reproduce characteristic dose distributions in CyberKnife prostate cancer radiotherapy. The model may provide patient-specific dose estimates for setting initial planning objectives to assist in automating treatment planning and improving inter-planner consistency.

ترجمه فارسی چکیده

پروتکل‌های مبتنی بر یادگیری عمیق (DL) در پیش‌بینی توزیع دوز در رادیوتراپی پروستات با استفاده از پرتوتراپی مدولار حجمی و پرتوتراپی با ممانعت شدت توجه زیادی را به خود جلب کرده‌اند. در حالی که تحقیقات مربوط به پیش‌بینی توزیع دوز در درمان‌های استریوتاکسیک با دقت بالا همچنان نسبتاً کمتر مورد توجه قرار گرفته است، هدف این مطالعه توسعه یک چارچوب مبتنی بر DL برای پیش‌بینی توزیع دوز در رادیوتراپی استریوتاکسیک رباتیک پروستات است. ما از یک شبکه عصبی کانولوشنی مبتنی بر U-Net برای پیش‌بینی توزیع‌های دوز قابل دسترس بالینی بر اساس تصاویر CT، ساختارهای ترسیم شده و اطلاعات فاصله از حجم هدف برنامه‌ریزی استفاده کردیم. یک مجموعه داده شامل 462 بیمار تحت درمان با CyberKnife (شرکت Accuray Inc.) با استفاده از کولیماتور Iris به مجموعه‌های آموزشی (70٪، n = 323)، اعتبارسنجی (10٪، n = 46) و آزمایشی (20٪، n = 93) تقسیم شد. در مجموعه آزمایشی مستقل، خطای مطلق میانگین بین دوزهای پیش‌بینی شده و برنامه‌های بالینی برای روده بزرگ 0.63 Gy و برای مثانه 1.04 Gy بود. مدل پیشنهادی مبتنی بر U-Net توانایی یادگیری و بازتولید توزیع‌های دوز مشخص را در رادیوتراپی پروستات با CyberKnife نشان داد. این مدل ممکن است برآوردهای دوزی بیمار-محور را برای تعیین اهداف اولیه برنامه‌ریزی فراهم کند تا در خودکارسازی برنامه‌ریزی درمان و بهبود یکنواختی بین برنامه‌ریزها کمک کند.

متن کامل اصلی