Predicting voxel-level dose distributions for esophageal radiotherapy using densely connected network with dilated convolutions

体素 人工智能 特征(语言学) 计算机科学 卷积神经网络 卷积(计算机科学) 图像质量 核医学 图像(数学) 质量保证 模式识别(心理学) 医学 人工神经网络 计算机视觉 数学 病理 哲学 语言学 外部质量评估
作者
Jingjing Zhang,Shuolin Liu,Hui Yan,Teng Li,Ronghu Mao,Jianfei Liu
出处
期刊:Physics in Medicine and Biology [IOP Publishing]
卷期号:65 (20): 205013-205013 被引量:35
标识
DOI:10.1088/1361-6560/aba87b
摘要

This work aims to develop a voxel-level dose prediction framework by integrating distance information between PTV and OARs, as well as image information, into a densely-connected network (DCNN). Firstly, a four-channel feature map, consisting of a PTV image, an OAR image, a CT image, and a distance image, is constructed. A densely connected neural network is then built and trained for voxel-level dose prediction. Considering that the shape and size of OARs are highly inconsistent, a dilated convolution is employed to capture features from multiple scales. Finally, the proposed network is evaluated with five-fold cross-validation, based on ninety-eight clinically approved treatment plans. The voxel-level mean absolute error(MAE V ) of DCNN was 2.1% for PTV, 4.6% for left lung, 4.0% for right lung, 5.1% for heart, 6.0% for spinal cord, and 3.4% for body, which outperforms conventional U-Net, Resnet-antiResnet, U-Resnet-D by 0.1-0.8%. This result shows that with the introduction of a distance image and DCNN model, the accuracy of predicted dose distribution could be significantly improved. This approach offers a new dose prediction tool to support quality assurance and the automation of treatment planning in esophageal radiotherapy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
YHold完成签到,获得积分10
刚刚
1秒前
爆米花应助含蓄凡桃采纳,获得30
2秒前
3秒前
4秒前
传奇3应助NorthWang采纳,获得10
5秒前
Summeryz920发布了新的文献求助10
6秒前
6秒前
楚习习应助先锋采纳,获得10
6秒前
6秒前
王一帆发布了新的文献求助10
7秒前
yap完成签到 ,获得积分10
8秒前
王淑惠完成签到,获得积分20
8秒前
安静幻枫完成签到,获得积分10
9秒前
9秒前
10秒前
蔺丹翠发布了新的文献求助10
10秒前
ding应助Mp4采纳,获得10
10秒前
现代小笼包完成签到,获得积分10
11秒前
Summeryz920完成签到,获得积分10
12秒前
ytg922完成签到,获得积分10
13秒前
航航完成签到,获得积分10
13秒前
浅笑发布了新的文献求助10
14秒前
14秒前
hhhh应助研究啥采纳,获得10
14秒前
1117发布了新的文献求助10
17秒前
科研通AI2S应助王一帆采纳,获得10
17秒前
风中的宛白应助王一帆采纳,获得10
17秒前
蔺丹翠完成签到,获得积分10
17秒前
宁静致远应助完美的海秋采纳,获得10
18秒前
19秒前
19秒前
20秒前
20秒前
Mp4发布了新的文献求助10
23秒前
浅笑完成签到,获得积分10
23秒前
23秒前
26秒前
李爱国应助嗨嗨采纳,获得10
27秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245844
求助须知:如何正确求助?哪些是违规求助? 2889491
关于积分的说明 8258722
捐赠科研通 2557875
什么是DOI,文献DOI怎么找? 1386785
科研通“疑难数据库(出版商)”最低求助积分说明 650340
邀请新用户注册赠送积分活动 626685