机器学习在肺癌VMAT计划中对危及器官剂量预测的可行性

发布时间：2021-04-10 23:09

　　目的:探讨机器学习在肺癌容积旋转调强（VMAT）治疗计划对心脏和肺的剂量体积直方图（DVH）预测的可行性。方法:选取51例肺癌VMAT计划,随机选取其中43例为训练组,剩余8例为验证组。分析训练组中患者的解剖信息与两侧肺V₅、V₂₀和心脏V₃₀、V₄₀的相关性。采用机器学习方法,以解剖信息为输入、危及器官（OAR）的DVH为输出,分别构建并训练关于两侧肺以及心脏的人工神经网络模型。将验证组中8例VMAT计划中的解剖信息分别输入到已经构建好的人工神经网络模型,分别预测OAR的DVH。结果:两侧肺V₅、V₂₀和心脏V₃₀、V₄₀受自身体积大小影响可忽略,受OAR与靶区的空间相对位置关系影响较大。患侧肺、对侧肺、心脏的人工神经网络结构模型中隐藏层分别含有41、38、34个神经结点,线性回归系数分别为0.994、0.975、0.986。对验证组中患侧肺和对侧肺的V₅、V₂₀的预... 

【文章来源】：中国医学物理学杂志. 2020,37(07)CSCD

【文章页数】：6 页

【部分图文】：

训练人工神经网络程序流程图

OAR的剂量学指数均在较大范围内波动。患侧肺、对侧肺、心脏的剂量学指数和自身体积的r值在-0.13～0.15内，呈现为弱相关性，如表1所示。2.4 训练组中OAR剂量学指数与PTV体积、部分R(d)的相关性

图3a是关于患侧肺的输出结果，线性回归性较好，输出沿着回归直线（R=0.994）分布；图3b是关于对侧肺的输出结果，输出分布较为散乱，部分输出沿回归直线（R=0.975）分布，整体线性回归性较差；图3c是关于心脏的输出结果，输出的剂量指数Vx在0～40%内线性回归表现较好，40%～100%内，输出回归性一般，整体输出沿着回归直线（R=0.986）分布，部分输出远离回归直线。2.6 人工神经网络模型输出结果的验证

【参考文献】：
期刊论文
[1]非小细胞肺癌肿瘤体积大小对调强放射治疗肺剂量体积参数的影响[J]. 邹喜,陈金梅,洪金省,郭飞宝,蓝林臻,张纬建.  中南大学学报(医学版). 2017(04)
[2]非小细胞肺癌调强放疗后急性放射性肺炎发生与剂量体积直方图参数之间的关系[J]. 黄雄,蔡传书.  吉林大学学报(医学版). 2014(04)



本文编号：3130502