Latent Spaces Enable Transformer-Based Dose Prediction in Complex Radiotherapy Plans

要約

肺の複数の癌病変を治療するために定位的焼灼体放射線療法 (SABR) を使用することを支持する証拠が蓄積されています。
複数病変の肺 SABR 計画は複雑であり、作成には多大なリソースが必要です。
この研究では、さまざまな数の病変を伴う肺 SABR 計画の線量予測のための新しい 2 段階潜在トランスフォーマー フレームワーク (LDFormer) を提案します。
第 1 段階では、患者の解剖学的情報と線量分布が潜在空間にエンコードされます。
第 2 段階では、変換器は解剖学的潜在から線量潜在を予測する方法を学習します。
因果的注意は、さまざまな数の病変に適応するように変更されます。
LDFormer は、病変内およびその周囲の線量均一性に関して最先端の敵対的生成ネットワークよりも優れたパフォーマンスを発揮し、重複する病変を考慮するとパフォーマンスのギャップが拡大します。
LDFormer は、民生用ハードウェアで 30 秒未満で 3D 線量分布の予測を生成し、医師の臨床意思決定を支援し、リソース コストを削減し、治療計画を加速する可能性があります。

要約(オリジナル)

Evidence is accumulating in favour of using stereotactic ablative body radiotherapy (SABR) to treat multiple cancer lesions in the lung. Multi-lesion lung SABR plans are complex and require significant resources to create. In this work, we propose a novel two-stage latent transformer framework (LDFormer) for dose prediction of lung SABR plans with varying numbers of lesions. In the first stage, patient anatomical information and the dose distribution are encoded into a latent space. In the second stage, a transformer learns to predict the dose latent from the anatomical latents. Causal attention is modified to adapt to different numbers of lesions. LDFormer outperforms a state-of-the-art generative adversarial network on dose conformality in and around lesions, and the performance gap widens when considering overlapping lesions. LDFormer generates predictions of 3-D dose distributions in under 30s on consumer hardware, and has the potential to assist physicians with clinical decision making, reduce resource costs, and accelerate treatment planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google