基于深度学习的子宫内膜癌术后容积旋转调强治疗计划剂量预测的研究

Study on the dose prediction of deep learning-based VMAT after surgery for endometrial carcinoma

二维码有效期 120s

摘要目的:探讨基于三维深度残差网络(3D Res-Unet)模型深度学习对子宫内膜癌术后容积旋转调强治疗(VMAT)计划剂量精度的预测价值.方法:回顾性收集2019-2021年内江市第一人民医院放疗中心治疗的154例子宫内膜癌患者VMAT放疗计划,将数据集按7∶1∶2采用随机抽样法分为训练集108例,验证集15例和测试集31例,以临床批准的剂量作为"金标准",对3D Res-UNet预测的放疗剂量与临床的放疗剂量进行比较.结果:深度学习与临床"金标准"之间的靶区适型度指数(CI)和平均剂量(Dmean)差异有统计学意义(t=-3.115、-0.124,P＜0.05).危及器官(OAR)膀胱40%处方剂量所覆盖的靶区体积(V40)差异有统计学差异(t=0.510,P＜0.05),直肠V50差异有统计学差异(t=-2.121,P＜0.05).左股骨头V30预测剂量小于临床剂量(t=0.415,P＜0.05).右股骨头V30预测剂量小于临床剂量(t=-3.102,P<0.05).骨盆Dmean预测剂量高于临床剂量(t=1.224,P<0.05).小肠V40预测剂量高于临床剂量(t=0.461,P<0.05).其他指标差异均无统计学差异(P＞0.05).剂量差异图显示,预测结果与临床结果差异很小,预测与临床的剂量体积直方图基本重合.结论:3D Res-UNet模型可有效预测子宫内膜癌术后VMAT计划三维空间剂量,可指导临床放疗工作.