توصيفگر ها :
پرتودرماني با شدت مدوله شده , پيش بيني توزيع دز , يادگيري ماشين , يادگيري عميق , شبكه عصبي كانولوشن
چكيده فارسي :
در پرتودرماني با شدت مدوله شده، طي يك برنامه ريزي معكوس كه شامل تعيين حجم هدف و ساير ارگان هاي حساس و حياتي اطراف آن، و هم¬چنين تعيين محدوديت¬هاي دز براي آن¬ها مي باشد، به بهينه¬سازي توزيع دز بر اساس الگوريتم¬هاي بهينه¬سازي پرداخته مي¬شود كه فرايندي بسيار زمان¬بر است. طرح¬هاي درماني متفاوت كه توسط متخصصان مختلف ايجاد و مورد استفاده قرار مي¬گيرد، علاوه بر زمان¬بر بودن، باعث ايجاد تنوع در بين برنامه¬هاي طراحي شده، گرديده است. در نتيجه كيفيت طرح تعيين شده توسط برنامه¬ريزي معكوس به مهارت و تجربه متخصصان بستگي دارد.
شبكه¬هاي عصبي عميق قادر به استخراج دانش از روي داده¬هاي دريافتي، و سپس استفاده از آن دانش در جهت شناسايي داده¬هاي جديد مي¬باشند. در اين پژوهش از شبكه عصبي كانولوشن براي فراگرفتن دانش موجود در برنامه¬ريزي درمان IMRT، در جهت پيش¬بيني توزيع دز براي بيماران مبتلا به سرطان مغز، استفاده شده است. در جهت پي¬بردن به ميزان اهميت وجود ارگان¬هاي سالم اطراف تومور در تعيين پيش¬بيني توزيع دز توسط شبكه، به دو روش مختلف به آموزش شبكه عصبي پرداختيم. در روش اول فقط از تصاوير شامل PTV و توزيع دز مرتبط با آن براي آموزش شبكه استفاده شده، در حالي كه در روش دوم علاوه بر PTV، برخي ارگان¬ها نيز در نظر گرفته شده تا شبكه تاثير حضور آن¬ها در پيش¬بيني توزيع دز را فرا بگيرد. نتايج حاكي از بالا بودن دقت در دو روش بوده و يكسان بودن تقريبي عملكرد دو روش را نشان مي¬دهد. با اين تفاوت كه به دليل حجم كم¬تر داده¬ها (از نظرتعداد و هم¬چنين دوبعدي بودن) در روش اول، زمان كم¬تري صرف آموزش شبكه نسبت به روش دوم شده و اين امر موجب تسريع در فرايند برنامه¬ريزي درمان خواهد شد.
چكيده انگليسي :
In intensity-modulated radiation therapy, during an inverse programming, which includes determining the target volume and other sensitive and vital organs around it, as well as determining the dose limits for them, dose distribution optimization is based on Optimization algorithms, which takes a lot of time. In addition to being time-consuming, various treatment plans created and used by different specialists, have created variety of programs to be designed. As a result, the plan quality determined by inverse planning depends on the skills and experience of the specialists.
Deep neural networks can extract knowledge from incoming data, and then use that knowledge to identify new data. In this study, the convolutional neural network was applied to learn the knowledge in IMRT treatment planning, to predict the dose distribution for brain cancer patients. To understand the importance of the existence of healthy organs around the tumor in determining the prediction of dose distribution by the network, we have trained the network in two different ways. In the first method, only images including PTV and related dose distribution are used for network training, while in the second method, in addition to PTV, some organs are also considered so that the network learns the effect of their presence in predicting dose distribution. The results indicate that the accuracy of the two methods is high and show the approximately similar performance of the two methods. However, due to the smaller volume of data (in terms of the number of data as well as its two-dimensionality) in the first method, less time is spent on network training than the second method, and this will speed up the treatment planning process.
