Fluence Map Prediction with Deep Learning: A Transformer-based Approach
Ujunwa Mgboh, Rafi Sultan, Dongxiao Zhu, Joshua Kim
准确的流速图预测在强度调节放射治疗(IMRT)中至关重要,以最大限度地提高肿瘤覆盖率,同时尽量减少对健康组织的剂量。 常规优化是耗时的,依赖于规划师的专业知识。 这项研究提出了一个深度学习框架,可以加速流速图生成,同时保持临床质量。 端到端的3D Swin-UNETR网络经过培训,使用99个前列腺IMRT病例(79个用于训练,20个用于测试)直接从体积CT图像和解剖学轮廓中预测九束流率图。 基于变压器的模型采用分层自我关注来捕获局部解剖结构和远程空间依赖。 预测的流率图被导入到Eclipse治疗规划系统中进行剂量重新计算,并使用光束-明智的流率相关性,空间伽马分析和剂量体积直方图(DVH)指标评估模型性能。 拟议的模型在测试集上实现了平均R^2的0.95 + / - 0.02,MAE为0.035 + / - 0.008,伽马通过率为85 + / - 10%(3% / 3毫米),在预测和临床计划之间的DVH参数中没有显着差异。 Swin-UNETR框架直接从解剖输入实现完全自动化、无反逆的流率图预测,增强空间一致性、准确性和效率,同时为自动化IMRT计划生成提供可扩展和一致的解决方案。
Accurate fluence map prediction is essential in intensity-modulated radiation therapy (IMRT) to maximize tumor coverage while minimizing dose to healthy tissues. Conventional optimization is time-consuming and dependent on planner expertise. This study presents a deep learning framework that accelerates fluence map generation while maintaining clinical quality. An end-to-end 3D Swin-UNETR network was trained to predict nine-beam fluence maps directly from volumetric CT images and anatomical cont...
